铃阅时讯
❌

阅读视图

如何既享受期待,又避免失望

原创 李睿秋Lachel 2026-09-17 21:30 广东

真正有效的期待,是允许现实跟想象不一样

Photo by Gaelle Marcel on Unsplash

本文共有 3600 字

欢迎星标 L先生说

避免收不到推送喔

我们总是生活在期待中。比如,期待一场愉快的旅行,期待一个惬意的周末,期待一次升职加薪,期待跟朋友相聚……

这些期待会给我们快乐,但同时,现实结果又很容易不如人意,反而让我们失望。

那么,如何做到既享受期待,又避免实际结果带来的落差感呢?

今天的文章,我想跟你好好探讨这个问题,希望能给你一些启发。

首先,简单聊一聊:为什么期待会给我们快乐?

大脑的本质是什么?是一台预测机器。既然是预测,那么它的重心就是未来。实际上,大脑所做的一切事情,归根结底都可以总结为一句话,那就是如何让我们更好地适应未来。

因此,我在《打开心智》中讲到一个很重要的原理:多巴胺的奖赏预测误差理论。它就是大脑为了这个目标所建立的一套机制。

简单来说,我们是为什么有动力去做一切事情的呢?最核心的原因就是:我们做了一件事情,从中得到了收益。这种收益带来了多巴胺的释放,于是给大脑打下了一个标记。

下一次再遇到这样的事情,大脑就会自动从中预支一部分奖赏。这部分奖赏就会成为我们的动力,推动我们去做这件事情。

日常生活中,我们所说的内驱力,其实就是这种效应所带来的。

它的有趣之处在于:这种对奖赏回路的激活,在实际收益得到之前,是持续不断产生的。

比如:你跟朋友约好周五晚上聚一下,在聚会之前,你可能会不断想象这次聚会的景象。每想象一次,都会给你带来一点快乐和激励,让你觉得手头的工作也变得更轻松,更有动力去应对各种问题了。

但是,当聚会真正到来了,这种奖赏就得到了、落地了,于是它对大脑来说,就已经变成了过去时。大脑会降低对它的权重,把重心调整到新的事情上面。

这就是大脑的功能和天性。它无所谓好坏,重要的是我们如何掌控它,让它为我们的生活点亮一盏盏灯火,引导着我们不断向前、不断前进。

不过,这个做法会有一个显而易见的问题,在之前的文章里,也有读者提出过了:

不断的想象会不会拉高期待?万一我对它的期待值变得很高,但真正发生的时候,发现它并没有想象的那么好,会不会有很大的落差?会不会让我变得对它更失望了?

确实会的。实际上,这是非常自然、几乎必然会发生的事情。用前面的理论来解释,就是因为我们的预期太高,导致结果发生时不如预期,那么大脑接收到的反馈就变成负的了(结果减去预期为负数),反而会让我们感到很失望。

比如你马上要开始一趟旅行。一般情况下,你肯定会不断想象美好的景象,比如自己旅行过程中会有多开心,认识不同的人会有多好玩,吃到不同的美食会有多快乐,等等。

这就很容易把期待值拉高。一旦实际旅行的时候不如期待,就会感到落差,从而更容易感到失望。

事实上,实际的经历几乎必然不如期待。因为我们期待的时候,往往会期待一些美好的事物,而不会去期待一些不好的东西,比如旅途中的疲惫、劳累、危险、陌生……但这些又是很可能发生的,你不可能保证不遇到它们。

所以,结果不如预期导致产生落差,也是几乎必然会发生的事情。

那么, 如何应对这种情况呢?

一个很有效的方法就是:不要期待具体的结果,而是允许它有不同的可能性。

具体可以怎么做呢?我想分享一个很有用的方法给你。

首先,请允许自己开心地期待。

期待就是为了快乐。如果只关注在未来可能发生的问题、困难和挑战上面,那生活得也未免太辛苦了。千万不要让自己为未来还没发生的事情去烦恼,这就是在「贷款焦虑」。

所以,请开心地想象未来,想象这种美好的生活和经历正在一步步靠近自己,想象自己在到时的场景里会有多开心、多放松、多舒服。

但是,一旦出现具体的「脚本」,就多想象几种不同的路径。

什么意思呢?简单来说,一旦你发现自己陷入「对某个具体结果的想象里」时,就不妨多想几种可能性。

比如,你要计划一场旅行,可能会这样想象:到时天气可能会很好,不冷不热不下雨,每天都能出门,我第一天要逛哪里哪里,要拍什么照片,要吃哪里的什么美食……

这时,你就会发现,自己可能已经过度专注在某个「过于顺利」的结果上面了。那么就不妨再想象两个版本:一个是普通顺利的版本,一个是不太顺利、但还能接受的版本。

比如,第二个版本就可以是:天气没有那么好,下了几场小雨。但是,在蒙蒙细雨里走在街上,随机拐进一家小店,跟当地人聊一聊,是不是也是一件很有趣的事情?

第三个版本就可以是:去到某个景点,发现大排长龙,自己又不想排队。那么,果断先放弃这个景点,去一些比较小众、很少人提到的地方,随意地逛一逛、走一走,会不会也挺有意思的?

依此类推,你还可以想象四个、五个……但是也不需要特别多,一般来说三个就可以了。关键是两点:

一是错开层级,分别想象最顺利的、一般顺利的和没那么顺利的;

二是不要只关注可能遇到的问题和不舒服的地方,而是关注自己的主观能动性:即使发生了这些不愉快的事情,我可以做些什么,可以如何度过它们,可以有哪些替代方式,可以如何调整和转变状态。

你会发现,一旦用了这个方法,你就不容易因为落差而感到失望了。相反,无论发生什么,你都能够更从容地应对。

这个方法的机制是什么呢?简单来说,就是通过事先的想象和推演,让大脑展开充分的预测,更有效地拟合可能的现实。

大多数时候,当我们遇到问题时,真正困住我们的是什么?其实很可能并不是问题本身,而是我们对它的想象。

我们总是倾向于把问题想得太困难、太复杂,把自己能做的事情想得太少,从而才容易在问题前面止步不前。

但是,一旦你事先做过预演,告诉自己:

我可能会遇到这样那样的问题,但是这些问题都不会影响我,我都可以有不同的应对方式,同样可以过得很好。

这时,你就不容易被问题所困住了,因为你已经通过事先的预演,来校正了大脑对威胁和风险的习惯性放大,能够更好地应对问题和困难。

实际上,这也就是我们所说的「松弛感」的来源。

所谓的松弛感,其实来源于什么呢?来源于这么一种心态:一切非常顺利当然好,但如果没那么顺利也没关系,反正只要不会特别糟糕就行。无论如何,我都要享受我的每一天,享受每一种不同的可能性,它们都是在丰富着我的生活。

很多你在当下觉得很困难、很难受的问题,其实如果过了五年、十年,你回过头来看,也许会觉得:它们都是生活中一些小小的、有趣的涟漪。正因为有了这些经历,生命才变得更丰富、更充实。

那么,为什么不把这种心态,放在一切发生之前,让自己能够更好地享受未来呢?

不止如此,还有一个小技巧也很有用。当你完成一次期待和实际之后,不妨做这么一件小事情:记录下自己的预测,并在实际发生之后的不同时期做几次记录,把它们放在一起对比。

举个例子:比如你正在计划一次搬家,你可能会非常期待搬到新家的感受,这时,不妨问自己这几个问题:

比如:

  • 我预计搬到新家会有多开心?从 1 - 10 打分。

  • 我预计这种开心会持续多久?

  • 我预计最令我开心的是什么?

  • 我预计它对我改变最大的是什么?

  • 我预计可能会遇到什么问题?

……

然后,当你搬到新家之后,分别在一周后、一个月后和三个月后,重新回答上面的问题。

你可能会发现一些很有趣的事情。比如:

  • 你当初预测自己的开心会持续三个月,结果可能只持续了一个月;

  • 你当初觉得最令你开心的是新装修,结果发现最令你开心的是楼下的烟火气;

  • 你当初觉得对你改变最大的是增加了在家里的满足感,结果发现改变最大的是你更愿意下楼去散步了;

  • 你当初预计最大的问题是开支,结果发现是新鲜感消退之后,维护和打理它的日常工作更让你厌烦……

日积月累,你就能更好地建立一套属于自己的「预测框架」。你会更清晰地看到:自己更容易误判什么,重视什么,关注什么,应该如何调整和校正自己的预测。

那么,你就不再容易产生落差,因为你会更了解自己,更加知道自己想要什么。

最后,我想跟你分享一些看法。

很多人可能会有这么一种思维:因为总是产生落差,所以告诉自己「不要期待」或者「降低期待」。这虽然避免了落差,但是也丢失了期待所带给你的快乐。其实并不划算。

更好的做法是什么呢?也许是保持期待,但是不过度沉浸在期待里,而是清晰地知道:

  • 我期待的是它所带来的美好。

  • 它有很多种可能性,我脑海中浮现的画面,只是众多版本之一。

  • 不管面对什么样的可能性,我都有能力去应对和调整。

这样,既不会把快乐完全寄托在一个小概率的期待上,也不会为了避免失望而变得悲观。

一言以蔽之,我们需要训练的,也许是这种「对期待的校准能力」。也就是尽量把它所带来的收益曲线,变得更平滑、更贴合现实。同时,也让自己在实际结果到来的时候,能够有更好的心态去应对。

生命只有一次。我们所经历的一切,无论好坏,是否符合预期,都是我们生命的一部分。正是这些体验,以及我们面对它们的态度,构成了我们的一生。

一旦让自己抱着「丰富生命体验」的心态,而不是「我一定要得到最好的结果」,也许,一切困难就会迎刃而解。

简单总结一下今天分享的三个方法:

1)当感觉到自己陷入对某个过于顺利的结果的想象时,请多想象两个「不那么顺利」的版本,并关注自己能做的事情。

2)不妨做一个预测和实际对比的记录,培养一套更适合自己的「预测框架」,自动校准预测。

3)抱着体验生活的心态,而不是一定要得到最好结果的心态,往往会舒服得多。

希望今天的推送对你有帮助。

我是 李睿秋Lachel

欢迎关注 L先生说

每周四晚 21:30 更新

一起探索心智成长的奥秘

THE END

-  晚  安  -

跳转微信打开

  •  

东方空间首次承载巨型星座组网任务 一箭9星发射圆满成功

山行资本 2026-09-17 18:20 北京

四次成功、连续两次远海发射,以及此次进入巨型星座组网任务,构成了东方空间进一步商业化的依据。

2026年9月16日6时,山行资本被投企业东方空间的引力一号(遥三)·千帆全顺号运载火箭,在上海东部海域点火升空,将8颗千帆星座组网卫星与1颗EUHT(超高速无线通信)技术试验卫星送入预定轨道。至此,引力一号四次海上发射全部成功。

这也是东方空间首次承接巨型低轨卫星互联网星座组网发射任务。对于一家商业火箭公司,进入星座建设的实际交付环节,意味着产品要面对更具体的客户要求,也要开始回答一个长期问题:如何把经过验证的运力,转化为可持续的发射服务。

引力一号遥三发射实录· 东方空间提供

从2024年1月11日首飞成功,到2026年9月16日完成第四次发射,引力一号的任务范围由海阳近岸拓展至东海远海,并首次承接巨型低轨卫星互联网星座组网任务。连续成功验证了引力一号重复执行商业任务的能力,也让东方空间积累了远海机动发射、不同载荷适配与多星分离的工程经验。此次距上次发射仅56天,为后续提高发射频次、服务规模化组网积累了新的任务经验。

组网任务考验整套交付体系

卫星互联网星座需要分批、持续地部署卫星。对发射服务商而言,运力只是其中一项要求,还需要适配不同的卫星构型、入轨需求与发射安排。客户关心的是卫星能否按要求送达,以及后续任务能否得到稳定支持。

此次任务同时搭载堆叠星组合体与平板星,对星箭接口适配和多次分离控制提出了更高要求。据东方空间披露,本次净载荷重量超过3吨,入轨高度达800公里,创造了我国单次海上发射载荷重量及轨道高度的纪录。这些具体的工程经验,将为后续承接同类任务提供依据。

另一个值得关注的变化是制造与发射的衔接。本次卫星在上海制造,在附近海域发射;海上机动发射让发射点可以更灵活地选择,也为缩短星箭转运链条、协调产业资源提供了更多空间。

引力一号遥三升空画面· 截自东方空间提供的视频

靠谱发射验证交付能力

东方空间在实际任务中完成验证,发射服务能够跟上客户的组网计划。

四次成功、连续两次远海发射,以及此次进入巨型星座组网任务,构成了东方空间进一步商业化的依据。

与此同时,东方空间正在推进引力二号可重复使用大型液体运载火箭研制。按照公司披露,其低轨目标运力为21.5吨,计划通过可回收复用进一步降低发射成本。

山行期待引力二号在后续首飞与复用验证中取得进展,与引力一号共同满足不同载荷和任务的需求。

祝贺东方空间团队完成本次发射,山行将继续陪伴团队,把一次次成功积累为可靠的商业交付能力。

山观 HIKE Insight | 商业火箭进入兑现期:从技术验证到资本化窗口

山行公司| 谦合益邦打造全球首款4层3D DRAM存算一体芯片

山观 HIKE Insight | 从带宽到容量:HBF技术演进与VC投资机会

山行公司 | 东方空间引力一号(遥四)运载火箭一箭9星远海发射任务圆满成功

东方空间入围国家空间站货运飞船发射服务

跳转微信打开

  •  

我和媳妇,想在家里做一场 AI 教育实验

原创 AI产品黄叔 2026-09-17 18:17 北京

AI发展这么快,我女儿9岁多了,我一直在思考一个问题:在学校学习之外,怎么让她学会借助AI主动探索,更好地适应,直到。。。

AI发展这么快,我女儿9岁多了,我一直在思考一个问题:在学校学习之外,怎么让她学会借助AI主动探索,更好地适应未来?

 ㅤ

这里面有两个核心要点:

  1. 1.孩子要能非常有兴趣,自己去主动提问和探索;
  2. 2.不能只是玩,还要能用AI来提高学习效率。

 ㅤ

周末和媳妇商量后,她也欣然同意,我们之前也一直用学练机给孩子学习,但功能都很传统,于是这次拿出最近猛猛更新的豆包爱学来做了实际的尝试:

Image

(媳妇带着娃在用豆包爱学理解数学错题)

正好今天豆包爱学功能全面升级,大家可以也可以看一下官方视频了解下:

从结果来说,孩子学习的体验比过去的传统学习方案,有了一个巨大的飞跃,各位家长们,有福了!看几个很典型的Case:

 ㅤ

01 从一道错题讲解开始

 ㅤ

孩子现在上四年级,开学的数学第一单元上来就是给了我当头一棒。75分!看的老父亲那个脑血上涌。。。

 ㅤ

打开豆包爱学,打开摄像头拍摄错题,可以看解析,再往下一滑,嘿嘿,进入AI老师1v1,这个很黑科技,到最后再来添加到错题本就行:

Image

Image

Image

 ㅤ

黑科技在哪呢?给大家录一段屏看看:

这,是不是相当有AI老师的风范,并且在整个交互流程里面,AI老师的思路非常清晰。在表达的时候,也有非常多样的格式、动效、弹窗来引导孩子的思考,以及对解题过程思路的展开。做得真的非常到位。

 ㅤ

并且在整个过程里面,孩子是可以随时打断来提出自己的问题的。因为之前有用过豆包,所以孩子对于这一块的交互理解是非常自然的。

 ㅤ

比如在上面的题完成教学之后,我让它继续,它就先出了左图进一步讲了一个题,然后我又让它给我举一反三,又给我出了三道类似的题:

Image

Image

Image

 ㅤ

大家感受下,各种通用AI,哪一个能做到这种效果的?!站出来!真的是一个都没有啊好不好!

 ㅤ

当然,我想进一步让孩子去复盘错题,只有孩子真的能够自己通过和AI交流复盘,来理解她错在哪,才说明她掌握了更好的和AI沟通的方式。

 ㅤ

02 用AI问答,一起复盘!

 ㅤ

第一次我们帮孩子把试卷拍照,以及引导 AI 老师不要讲题,而是帮助孩子复盘。

 ㅤ

可以看到,AI老师会做非常清晰的引导:先让孩子回想自己当时是怎么想的,再一步步往下问。

当孩子说是漏写了一个9之后,它就会继续引导孩子往深想一层:

 ㅤ

Image

Image

Image

Image

 ㅤ

然后,会给出更多具体的思考策略,当最后要求给更多练习题时,也可以很清晰的给出,然后再就答卷进行交流:

Image

Image

Image

Image

 ㅤ

因为孩子第一次用,还不大能很好的深度和AI老师交流复盘,但是这整个过程已经让我看到了非常好的一个预期。

 ㅤ

然后,还可以直接生成豆包爱学独特创新的知识闪卡,让孩子通过互动卡片继续复习。直接看视频,这次体验大约10秒就生成了:

结合知识点快速就能完成复习了~

 ㅤ

03 跟着豆包课堂,边学边问

 ㅤ

其实前面是错题/复盘,那还有预习/复习有没有办法呢?必须的,豆包爱学还有个豆包课堂,里面已经有数学同步课,可以选择对应年级和知识点来学习。另外还有古诗文课程,以及按需求生成的定制课程:

Image

Image

Image

 ㅤ

比如我们打开最近的 求近似数这一课,它可以跳转章节,显示的样式也是看起来太太太舒服了,数学也能学的明明白白:

Image

Image

包括中间还是可以随时打断提问,给你讲的明明白白,然后再继续上课:

 ㅤ

Image

随时也能给孩子来个小测验:

Image

 ㅤ

真的是从弄懂一道题,到深入学习一个知识点啊。。。

 ㅤ

要是看语文,更加神奇,高保真的AI视频我都觉得很不错,比如黄叔去过成都的武侯祠,但是那会并不大了解史实,在豆包课堂里看的津津有味:

又能看的爽,又能学知识,有点牛的。

 ㅤ

04 定制AI课程!

 ㅤ

Image

更有意思的是,我们家孩子周末看了一下《俗世奇人》的阅读内容,对天津很感兴趣。于是我媳妇儿就跟我说,中秋节我们干脆去天津旅游一趟,带孩子顺带了解《俗世奇人》的历史。她居然让我直接把飞书文档喂给豆包爱学,在路上给孩子做讲解员。

 ㅤ

真的是太能想了,也没想到居然可以实现:

Image

Image

 ㅤ

豆姐上线,非常亲切!还可以随时语音输入提问交流,相当舒服!好的,孩子又有福了:)

 ㅤ

怎么实现的呢?超级简单,在豆包课堂/定制/图文课程里,把飞书文档中整理好的资料和具体要求输入进去,这次等了大约3分钟,课程就生成了!

 ㅤ

05 和过去用学练机的不一样在哪

 ㅤ

有家长肯定要问:这不还是个学习机吗,我们家学练机也号称AI啊。

 ㅤ

真不一样。学练机我们家之前一直用,还真的不便宜,特别大一台,带着都很费劲,光上面的笔就掉了好几次。。。

 ㅤ

第一,学练机给的是题,豆包爱学给的是互动。

 ㅤ

我们家之前用学练机,主要是这套路子:拍照、批改、定位知识点、推同类题、播一段提前录好的讲解视频。孩子是接收端,跟着走就行。

豆包爱学是AI老师1v1,讲解现场生成,孩子随时能打断。卡在哪一步就停在哪一步,不需要为了等那个点把整段视频看完。

 ㅤ

学练机管的是这道题对不对,AI老师管的是你这一步为什么想不到。一个纠答案,一个纠思路,你说哪个更好!我可不希望自己的孩子只会刷题,并且教改后对于孩子的思维能力要求是非常高的,刷题已经不行了!

 ㅤ

第二,错题的处理逻辑是反过来的。

 ㅤ

学练机的错题本,本质是再做一遍。

 ㅤ

豆包爱学会先让孩子问自己三个问题,当时是怎么想的。孩子说漏写了一个9,它还往下追一层。这个学练机做不了,它不知道孩子当时脑子里在想什么。

 ㅤ

一个练手,一个练脑子。

 ㅤ

第三,举一反三这件事,是现场生成的,不是从题库里抽的。

 ㅤ

题库抽题容易重复、容易超纲,孩子做两道就烦。豆包爱学直接生成三道类似的,不够还能说再来三道,做完还能就着答卷继续聊。

 ㅤ

第四,也是最根本的一条:学练机是封闭的,豆包爱学是开放的。

 ㅤ

学练机的内容是提前做好的,同步教材、知识点视频,有多少用多少。

 ㅤ

现在,除了选择豆包课堂里的数学同步课、古诗文课程,还可以提出自己的学习主题,生成定制课程。像这次准备去天津,我们也能围绕整理好的资料继续问,把孩子对一本书、一个地方的兴趣接着展开。

 ㅤ

现在它跟着人走了。所以,媳妇给孩子买了个小巧的设备,装上豆包爱学,一秒孩子爱上:

Image

 ㅤ

第五,孩子的角色变了。

 ㅤ

这是黄叔觉得最值钱的一点。

 ㅤ

以前我们用学练机时,孩子更多是跟着题目和讲解往下走。这次体验里,她有了更多主动提问的机会,能随时打断、能追问、能直接说没听懂。

 ㅤ

这个转变特别大,还记得我们开头说的么?孩子要能非常有兴趣,自己去主动提问和探索。

 ㅤ

不过,这条路也不是没门槛。孩子第一次用,还不大能很顺畅地跟AI老师深度交流复盘,得大人陪着带一带,但太值得了,一旦养成习惯,可以极大的解放孩子的思考和主动性!期待啊!

跳转微信打开

  •  

GLV号外|高瓴创投持续加码地瓜机器人,助推机器人产业迈向品类爆发

高瓴创投 2026-09-17 16:07 北京

GLV划重点

机器人规模化落地

机器人从技术验证走向规模化量产,需要算力、硬件可靠性与软件工具链的协同支撑。面对不同形态、不同场景的开发需求,软硬一体的平台能够帮助创业团队减少重复开发,提升从模型到产品的落地效率,让更多创新更快转化为可交付、可普及的机器人产品。

从家庭陪伴、AI运动教练,到工业作业、通用人形机器人,越来越多机器人产品正在走出实验室,进入真实场景。如何让不同形态的机器人更高效地完成开发、验证与量产,成为产业发展的共同课题。

9月17日,地瓜机器人宣布完成4亿美元C轮融资,高瓴创投持续加码。本轮融资由未来资产领投,美团战投及多家投资机构、政府投资平台联合参与,众多老股东继续增持。

本轮融资将用于强化旭日芯片的全算力段产品布局,建设贯通数据采集、模型训练、仿真验证、推理部署的全链路软件平台,满足从成熟品类到通用人形机器人的多样化开发需求,加速机器人产品从创新走向规模化落地。

从芯片到软件平台

支撑机器人规模化落地

GL Ventures

机器人走向规模化应用,需要算力、硬件可靠性、软件工具链与开发效率的协同提升。

地瓜机器人以旭日系列芯片为核心,持续完善软硬一体的产品与开发平台。2026年上半年,公司营收较去年同期实现数倍增长,旭日系列芯片累计出货量突破800万片,软硬一体的基础设施进一步得到规模化验证。

面向具身智能开发需求,2025年11月发布的旭日S600,凭借单芯片全栈算力、高可靠性硬件设计与端云一体的开发工具链,半年内即获得它石智航、千寻智能、自变量机器人、优必选、帕西尼感知、北京人形机器人创新中心等20余家头部客户采用。

这些合作覆盖人形机器人、工业轮式、3C柔性作业、具身大模型、全模态感知等多个领域,多数项目已迈入量产级出货阶段。从技术验证到量产交付,地瓜机器人正与行业伙伴共同推进具身智能产品的落地。

随着本轮融资完成,公司将进一步拓展全算力段芯片布局,打通数据采集、模型训练、仿真验证与推理部署,支持不同发展阶段、不同产品形态的机器人开发需求。

让更多创新团队

把机器人做成产品

GL Ventures

机器人品类的丰富,既需要底层技术持续演进,也需要更多创业者围绕真实需求探索产品。

地瓜机器人全新升级的DGP地心引力计划,致力于为机器人创业公司提供从产品研发、供应链选型、市场推广到融资路演的全链路支持,帮助创新团队跨越从想法到产品、从产品到量产的关键环节。

目前,该计划已服务乐享科技、英汉思、求之科技、萝博派对等创新企业,覆盖开源人形、AI运动教练、具身模型、AI影像、家庭陪伴等10大前沿赛道,多款产品已实现规模化量产出货。

围绕教育孵化、创客赋能、创新加速与行业先锋,地瓜机器人逐步构建起贯穿不同成长阶段的开发者生态。迄今,全球已有超过500家中小创客、500余所院校,以及来自20多个国家的超过10万名开发者,基于其平台累计创造出数百种形态的智能机器人产品,服务全球数百万用户。

作为由地平线孵化的企业,地瓜机器人与地平线在机器人领域保持紧密合作,双方互为重要的战略合作伙伴,并持续携手生态伙伴推动机器人产品普及。

推荐阅读

跳转微信打开

  •  

Kimi 发布金融行业解决方案

原创 Kimi Work 2026-09-17 15:19 天津

涵盖 10+ 权威数据源、9 项金融技能和 5 项合规安全措施

今天,我们推出 Kimi 金融行业解决方案。这套方案整合了 Kimi 面向金融行业的产品与能力,涵盖 10+ 权威数据源、9 项金融技能和 5 项合规安全措施,以及机构级的数据建模和报告交付能力。 

从持仓早报、财报点评,到项目筛选、深度研究和组合复盘,Kimi 将数据获取、专业分析与成果交付连接起来。在已落地的机构合作中,这套方案已将过去以天计的资料处理和初稿制作压缩到小时级,让专业人员把更多时间留给分析与判断。

目前,已有数十家金融机构基于 Kimi 模型、Kimi 企业版和 Kimi Work 等产品开展业务创新,或与 Kimi 共建金融方案,覆盖头部券商、商业银行、风险投资基金、投研数据机构:

左右滑动,查看全部 →

工商银行客户证言

中信建投客户证言

汇添富客户证言

红杉中国客户证言

真格基金客户证言

蓝驰创投客户证言

讯兔科技客户证言

中金公司、中信建投证券和德意志银行的管理者,与 Kimi 分享了他们眼中金融 AI 的下一步:

 金融行业的痛点与挑战 

金融是数据与信息最为密集的行业之一。长久以来,行业的生产力受限于两个要素:数据处理的速度,和信息搜集的广度。

第一个挑战,是市场对时效性的要求越来越高。研究员的信息来源主要是公告、新闻和研报,此前一份研究结论往往要一天才能整理出来;而现在市场要求分钟级的响应,全球市场结构的变化需要被即时吸收。

另一个挑战,是信息高度碎片化。关键数据散落在财报、法律文件、研报和公告中,专业人员需要花大量时间完成数据查询、比对和整理,再去进行分析工作。

2026 年,随着大模型推理与工具调用能力的提升,AI 正在从单点辅助,走向完整金融工作流的端到端交付:理解工作目标,搜索专业数据,执行分析与建模,并做成机构级的交付成果。但金融行业对准确性和合规性要求极高,AI 的输出必须结构专业、来源清晰、便于核查,才能真正进入业务流程。

这也是 Kimi 金融行业 AI 解决方案设计的出发点。

 Kimi 金融行业解决方案 

❶ 10+ 权威数据源,一站式接入实时可靠数据

数据驱动着金融行业的方方面面,从投研决策到风险管理,无一不以数据为基础。

Kimi 全套产品,包括网页版 kimi.com、桌面端 Kimi Work、Kimi Code,内置了 Wind 万得、东方财富、标普全球(S&P Global)、财联社、财新数据等海内外权威数据源。

这些数据通过 MCP 直接接入研究任务,关键数字可以回到原始出处核对,来源、口径清晰可查。研究人员无需在行情终端、公司公告、宏观数据库及企业信息平台中反复检索、下载和整理,省去了跨平台查找与搬运的工作量。

进行公司研究时,研究人员还可以通过天眼查、元典法律补充工商、司法、知识产权及法规信息,拓展财务报表之外的维度。

点击图片,放大查看 ↓

  

除了数据源,Kimi 还内置了一整套研究和生产插件:Scholar 学术论文全文检索能力,Word、Excel、PDF 等 Office 格式产物生成工具,图片和语音生成工具等等。

此外,Kimi 浏览器扩展(前身为 Kimi WebBridge) 和 Computer Use 可以让 Agent 在相应的授权下,使用浏览器和本机桌面应用,让没有 API 的系统也能接入工作流;金融投研套件覆盖二级投研、一级 deal 全流程与企业财务关账等相关能力,Cloudflare 开发者工具则提供 2500 多个官方 API 端点,支撑进一步的定制与集成。

我们也在推进与飞书、腾讯文档、WPS 等中文办公系统的连接,让研究资料和分析成果更顺畅地进入团队协作。


❷ 九项技能,将 AI 能力沉淀成专业金融工作流

对金融从业者来说,AI 的价值,在于把通用模型的能力落到专业的工作流中。

Kimi 与一线机构分析师、基金经理和投行团队合作,将金融工作的关键环节封装为 9 个专业技能(Skill):机构财务建模、机构研究报告、机构 PPT、金融动态图表、业绩点评、一致预期地图、组合复盘、持仓早报、HK IPO 透镜。每个技能对应一类有稳定分析步骤和交付标准的工作:

这些技能已经在二级、一级、银行、保险等不同金融机构的各类真实任务中跑通:

●投资银行/私募股权:财务建模

安装并使用「机构财务建模」技能,基于管理层报表、审计报告和尽调资料,为一家商业航天公司搭建财务模型,输出可继续调整假设的 Excel 模型与可比公司估值表。财务建模的人力投入由 5–7 人天降至 0.5–1 人天。

●行业研究:深度研究

安装并使用「机构研究报告」技能,结合专家访谈与业绩说明会材料,完成量子科技行业的深度报告,研究周期从 10-20 天缩短至~2天。

●商业银行:授信报告

基于招股书、调研纪要和征信数据生成授信调查报告,给出明确准入结论,方案建议与风险提示,单户材料准备效率提升5倍以上。

●保险:宠物险分析报告

安装并使用「机构 PPT」技能,将竞品宠物险的市场规模、定价设计与产品单位经济模型(UE) 分析整理成 21 页投决汇报材料,PPT 制作的人力投入由 7–10 人天降至约 2 人天。

在这些金融技能之外,Kimi 还提供几项通用能力:

研究成果,直接做成可交互的 HTML 报告:相比静态文档,HTML 能承载更高的信息密度,一个链接即可传播,还支持读者拖动参数、检验假设。「灵动报告」技能可以将卖方深度研究转化为适合对外展示的可视化报告,用于研究营销、客户沟通与公开发布。

长期关注的信息,汇集一处:Kimi Work 中「看板」由可自由安排的「组件」构成,能固定到桌面随时查看。比如可以通过金融终端插件搭建一个金融终端看板,将专业信源、组合持仓和覆盖公司关联起来,打开页面就能看到最新变化,不必每天重新检索。

专业金融交互图表,直接标注、编辑数据:在 Kimi Work 产出的专业机构级图表上通过「圈画」功能,直接完成一系列的快速标记和修改操作,包括但不限于CAGR 与差值标注,切换图表类型(堆积柱状图,簇状图,折线图,Mekko),切换配色,修改标签格式,编辑数据等。

自定义插件,将任何系统接入工作流:通过 Kimi Work 的自定义插件(Plugin Builder)功能,用自然语言描述需要连接的系统和操作流程,即可按 MCP、API 或浏览器技能三条路径创建自定义插件。您已有的数据订阅、内部资料和业务系统,都可以在可控安全的权限下,进入 Kimi Work 工作流。


❸ 五项安全合规措施,让 Agent 接入真实业务

金融是对准确性和合规性要求极高的行业。任务中哪些信息可以传给外部模型,数据源和工具的访问是否经过授权,输出是否有据可查,执行过程能否追溯——只有解决了这些,AI 才能真正进入业务流程。

围绕这些问题,我们正在与中信建投证券共同探索一条 AI Agent 合规接入金融业务的路径。我们正在共建「风险评估网关」,将金融机构的安全合规要求,落实为智能体接入与运行中的5项具体措施:

  1. 数据分类分级:依据机构制度明确不同敏感等级数据的使用和外发边界,网关按规则检查任务、附件及工具返回内容;

  2. 个人信息保护:遵循最小必要原则,对个人信息按规则过滤、脱敏或拦截,仅向模型传递任务必需且获准使用的内容;

  3. 数据源与工具访问授权:将授权要求落实到每次调用,拦截未经授权的数据查询或工具操作,并检查返回内容;

  4. 生成内容核验与人工复核:输出标注来源、时间和待核实事项,支持回查依据;初步材料经业务人员复核,不直接形成立项结论,业务判断仍按既有审批流程作出;

  5. 审计与责任追溯:任务、数据来源、处理决定和工具调用记录关联保存,支持按任务回查执行过程。在这些金融技能之外,Kimi 还提供几项通用能力:

这套「风险评估网关」已在业务场景中完成了试点验证。中信建投证券将临时受托报告生成作为首个验证场景,基于 Kimi 托管智能体构建了「临时受托报告生成」智能体。首轮验证重点覆盖发行人公告内容识别、受托管理债券筛选及报告初稿生成等环节,保留业务人员的复核与决策职责。

此次试点覆盖 50 余家发行人、100 余只存续公司债券的 60 余份临时受托管理事务报告制作,带来以下效率提升:

  • 「临时受托报告生成」智能体与既有业务系统的接入工作,原计划需要 2 个月,实际在 3 个工作日内完成;

  • 单份报告人工制作时间由约 30 分钟缩短至 10 分钟,人工投入下降 67%

更重要的是,这套网关可以跨场景复用,新场景可以沿用同一套合规检查机制完成接入与上线评审,为智能体向更多业务场景规模化拓展奠定了效率基础。

 应用与部署 

Kimi 金融行业解决方案已全面上线:

  • 所有用户都可以在 kimi.com 安装体验 9 项金融技能和 10+ 数据源插件;

  • 专业知识工作者和开发者可以在 Kimi Work 桌面端、Kimi Code 中安装调用数据源插件、金融技能,体验自定义插件和电脑本地 Agent 能力;

  • 面向企业的 Kimi 托管智能体(Kimi Hosted Agents)服务,则为智能体进入真实业务流程提供可配置、可审计的运行环境

欢迎体验:

  • Kimi 企业版:kimi.com/business

  • Kimi Work:kimi.com/products/kimi-work

  • Kimi Code:kimi.com/code

  • Kimi托管智能体:platform.kimi.com/docs/hosted-agents/quickstart

  • Kimi API 开放平台:platform.kimi.com

如需企业版、定制化 Skills 或专属数据接入,欢迎联系 Kimi 团队(sales@kimi.com),一起探讨适合你的业务方案。

↙ 点击「阅读原文」了解更多

阅读原文

跳转微信打开

  •  

真AI手机!豆包手机助手来了~【全网首发】

原创 秋芝2046 2026-09-17 10:00 广东

让全网震惊、活在传说中的豆包手机助手,终于正式发布了!

我已经到手用了快一个月,所以今天这是一期全网首发实测!

来吧,我们一起看看它到底怎么样~

图片

结论

先说结论,我确实没见过这么交互丝滑,能帮你做如此多事、还能记住你的手机Agent~ 

这台努比亚NaviX Ultra,就是原生搭载了豆包手机助手的手机,它物理上跟普通手机的区别,是多了一个AI键,或者说“豆包键”。

1.1 按住 AI 键,直接提问

你不用解锁手机、找到 App、打开 App,再打字输入。只要按住 AI 键,就能直接问:

按今天的汇率200刀是多少人民币

但是!如果你要问涉及隐私的问题就会被拒绝,比如

我的港澳通行证什么时候过期

这是因为这个AI键同时可以指纹识别,

只有使用录入过指纹的手指按下按键,它才会调用你的个人上下文来回答。

比如这是我刚录完指纹后,再发起的对话就成功啦! “你的港澳通行证目前未过期”。

1.2 连按两下,开启视频通话

如果连续按两下 AI 键,就可以直接和它视频通话。比如我问“这花要浇水了吗”。

1.3 识别当前屏幕

更爽的是,正在使用手机的时候,随时按下按键,就能读取当前的屏幕截图,并根据屏幕内容回答问题。“这人是谁?”

你看看 ~

1.4 语音唤醒

当然,除了按键,你也可以直接用语音唤起,比如让它帮你关上窗帘。

Tip

用户首次使用操作手机功能时,需被操作的应用需获得相应授权,
操作手机功能支持系统及中兴应用、字节系应用和部分已接入的第三方应用,具体支持范围以实际体验为准,更多应用将持续扩展。

图片

执行复杂任务

刚才这些小任务很轻松,但它更值得说的是复杂任务的执行。

以前,我想出门吃个好吃的,需要完成一连串操作:

  1. 打开社交媒体,看看大家有什么推荐;

  2. 打开导航,查看路线和路况;

  3. 计算来回需要多长时间;

  4. 把定位发给朋友;

  5. 准备出门后,还要确认车的电量够不够。

那现在不一样了。比如我刷着社交媒体,看上一家必吃店,直接按键跟豆包帮我判断,这家店开车过去要多久、当前电量够不够来回。确认没问题后,直接发起导航,并把消息同步飞书的联系人~

然后我们可以继续刷手机,它会在后台默默把这一串事办了,办完告诉我们一声。

Tip

用户首次使用操作手机功能时,需被操作的应用需获得相应授权,
操作手机功能支持系统及中兴应用、字节系应用和部分已接入的第三方应用,具体支持范围以实际体验为准,更多应用将持续扩展。

那我们打开聊天记录看,你会发现它先是从我们屏幕截图中记录了这家店的位置信息,然后打开地图,搜索糖水店的位置。

然后又自己打开了特斯拉APP,查看了我们的电量。

诶,他发现电量足够,它就直接调用飞书消息的接口,发送完成~非常丝滑。

其实整个过程中,去年震惊大家的“操作手机”只是它执行任务的其中一种手段,它不止可以视觉操控手机、还能

  • 调用手机系统工具;

  • 使用类似小程序的第三方应用接口;

  • 调用内置的 Skill;

说白了,它就像我们电脑上的Codex、龙虾一样,是个能执行长任务的Agent!

图片

记忆

除了执行任务,豆包手机助手还能帮你记住很多信息。

首先你本地那些最懒得翻的什么相册、短信、便签、日历,它都可以索引到。

3.1 从本地资料中查找信息

比如开头提到的“港澳通行证什么时候过期”,它参考的就是一份本地数据,是我相册里存的通行证截图!

妙不妙 ~ 

当然,得是你发起需求且确认它才会去看你的资料。

3.2 记住电话和会议内容

除了手机里的已有资料,电话和会议内容它也能记住。

因为它接入了飞书妙记,不管是直接录音还是通话,都能生成图文总结~

会议结束后,你可以随时问:“昨天团建的会,小陈说它去还是不去来着?”

如果更贪婪一点,还可以直接让它把会上的事做掉,

你直接按照团建会上说的,帮我做一个飞书文档,整理谁去、谁不去,
再查一下机票和住宿费用,按照一人一房计算,
在文档里统计好总预算,做完之后直接发给小陈。

Tip

用户首次使用操作手机功能时,需被操作的应用需获得相应授权,
操作手机功能支持系统及中兴应用、字节系应用和部分已接入的第三方应用,具体支持范围以实际体验为准,更多应用将持续扩展。

你看看 ~ 我连要去哪都没说,活都干完了。

3.3 主动把屏幕内容存成记忆

除了被动索引本地资料,我们也可以主动告诉它要记住什么。

比如刷到一家糖水店,可以对着屏幕三指上滑。它会根据当前图片和页面内容,将相关信息保存成一条记忆。之后我们再问,它就可以根据之前保存的记忆继续查询。

无论是被动的本地资料,还是你主动告诉她的,她都能记住~

图片

好啦!总体来说,它的确突破了这么多年来大家对AI手机的想象!而且就这么水灵灵的能买上用上了。

当然!我也要打破一些朋友的“幻想”,它现在并没有到“任何事都能替你做”的地步,目前比较明显的问题主要有两个:

第一:小众点的app,按钮藏得深了它第一次还是会迷路;

第二,我也还很期待它能像有些电脑端Agent一样,只要做错过的事情,它就可以沉淀成经验不再犯~ 

但即便如此,只要你用上了,一定还是会觉得未来感非常强,也真的在很多生活场景里便捷了太多。

再用回我的老手机,我解锁、打开app的过程都开始嫌累了,所以也很适合本来就不怎么会用手机的家人 ~ 

ok,这个有新版豆包手机助手的努比亚既然已经开售了,

那么,你会想入手吗?如果买了,是自己用还是送人呢?

评论区聊聊,我们下次见啦~

跳转微信打开

  •  

以小博大,一家AI4S水下公司的野心

原创 暗涌Waves 2026-09-17 08:40 江苏

AI4S也有Coding的万亿未来。

「AI4S也有Coding的万亿未来。」

文|胡香赟

编辑|海若镜

今年5月,28岁的张载熙结束普林斯顿的博后研究,回到国内。在他面前,有几扇门同时打开:美国高校教职、AI大厂首席科学家和千万年薪。最终,他选择进入香港科技大学担任助理教授,并挺进了创业窄门,创立AI for Science公司科理新序(Scinetics)。

暗涌Waves独家获悉,科理新序近日完成近5000万元人民币融资。本轮融资由英诺科创基金领投,沂景资本、小苗朗程、麟阁创投跟投。

这或许是他既往人生中,为数不多的岔路口。从中科大少年班、直博,到哈佛医学院联合培养,随后进入普林斯顿王梦迪团队做博后。研究AI4S的青年PI,是当下创投市场最喜欢的创业者画像之一。

但创业的决策过程,他也曾纠结。

进入大厂,意味着更充足的算力、数据和人才配置;成为高校PI并创业,要比较独立地找人、找钱、找资源,技术和商业都有不确定性。

最终让张载熙下定决心做出选择的是“工作自主性”,他想主导自己的研究方向,而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。

创业前,张载熙和团队曾经做出过科学智能体Stella。去年,Stella上线后,服务了上千名科研用户,其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型,智能体落地更快、更容易接入现有研发流程,实现商业化。

不过,这条轻巧的路线,目前仍有局限。以大语言模型作为推理引擎,科学智能体在遇到蛋白质结构、核酸序列等数据时,会先将问题翻译为“自然语言”,再把文字指令交给模型执行。精细的三维结构和模态关系,在几次翻译转换中会出现“损耗”,智能体几十次交互也无法绕开误差。

博士期间,张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等,在多个细分领域达到SOTA。但他判断,单点能力仍是不够,未来AI4S行业会集体走向多模态。所以,科理新序的核心是做多模态长程推理基座模型。

他提出了“Science Token”概念,希望把小分子、核酸、蛋白质结构等科学数据,转化成模型统一的表征单元,不再经过人类语言的转译,让模型在原生科学模态中推理,完成科学任务。

短期,他们将聚焦商业化路径最清晰的生命科学,未来逐步拓展至材料、工程等科学领域。

谈起未来,张载熙认为AI4S一定会出现GPT时刻、Coding时刻,且这是一个可能超越Coding的市场;他也相信自己所带领的小小团队,有实力开发出“大一统”的科学底座模型,成为AI4S领域里对标DeepSeek、Anthropic的基座模型公司。

技术革命初期,路线没有收敛,创业者才有“以小博大”的机会。近日,我们和张载熙聊了聊,此时投入AI4S创业,他究竟想赌一个怎样的未来?

对话(经编辑):

Part01

AI4S,媲美Coding的万亿市场

暗涌Waves:2019年,你21岁,选择了AI for Science作为博士研究方向,现在回头看很有先见之明。这个赛道从冷变热,你的体感是怎样的?

张载熙:确实比较幸运,职业生涯转型刚好踩中了行业风口。

我读博阶段,这是一个非共识赛道,行业认知是“Science+AI”,AI是提升业务效率的附加算法工具,项目必须深度绑定具体药物管线,比如聚焦多肽药物,或只做蛋白质垂直模型。

现在AI4S朝着通用方向演进,市场普遍认为这个方向会迎来属于自己的“Coding时刻”。写代码赋予了人类在数字世界创造事物的能力;AI4S则是在变革人类底层科学探索、发现新知识的能力,市场价值可以比肩甚至超越Coding。

从Alpha Fold从1到4的迭代,可以清晰看到AI能力正迅速变强。需要被研究的科学问题没有巨变,但新算法让过去难以建模、难以预测的任务,具备了解决条件,更多科学模态的纳入,让模型能力更强。

暗涌Waves:Science其实是覆盖非常广的方向,现在创业投资的主流技术路线有哪些,技术路径上有收敛的趋势么?

张载熙:客观说,现阶段的AI4S赛道噪声不小,AI4S从业者主要基于自己既往背景做布局,还没有在技术路线上形成共识,难以判定孰优孰劣。

首先是科学智能体,主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程,商业验证周期短,因此诞生了不少初创公司。

大厂也都在做,如Anthropic的Claude Science、OpenAI 的GPT-Rosalind。不过,他们的主战场还是Coding等更general的方向,科学方向属于占位式布局、浅浅试探。

第二是虚拟细胞。受Arc Institute相关工作和论文影响,虚拟细胞从去年起热度暴涨。理论上,它在电脑里模拟细胞受药物、基因编辑后的变化,能提前批量筛掉无效候选,压缩研发时间和成本。行业期待很高,发展速度也比较快。

第三就是我们选择的AI4S基座模型方向。这是一种“自下而上”的路线,聚焦底层分子相互作用,从分子机制推导疾病、基因调控网络等上层现象。

暗涌Waves:去年你们上线了科学智能体Stella,据说反馈也不错,为什么没有选择这条更轻巧的路线?

张载熙:Stella去年上线后,服务了上千名科研用户,七成以上来自斯坦福、普林斯顿等名校和顶级实验室,MIT的张峰教授也使用过。

但我们发现,科学智能体范式有个根本性问题:

它本质上是把科学问题翻译成自然语言让模型理解,再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联,会在翻译过程中丢失。

这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程,但只要底层推理还基于文本完成,这个瓶颈就一直在。

暗涌Waves:可以举一个智能体做不出来的例子么?

张载熙:比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转5度,形成氢键或者其他分子相互作用,这高度依赖3D空间的精细推理设计。

如果用智能体做,就是让大语言模型输出文本指令,再调用RF diffusion这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息,工具输出结果又要转成字符串、截图,再反馈回大语言模型,智能体读得云里雾里,好像对,又好像不太对,只能继续迭代。

就这个步骤,我们尝试了很多智能体,反复交互过几十遍,浪费了大量Token,结果是跑了一堆用不了的东西。根源就是,没有原生的科学模态推理能力。

Part02

小天才的大梦想:多模态科学底座模型

暗涌Waves:所以你认为必须开发AI4S基座模型?有了基座模型,可以解决“跨模态翻译”问题?

张载熙:既然翻译会产生损耗,就不翻译了,让模型直接在原生科学模态空间内,做针对多模态科学数据的长程推理(Chain of Science Tokens)。这一基座模型,也是我们公司的核心产品。

我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态,开发了离散Token化方案,把各类科学信息转化为统一的Science Token输入模型,不再依赖人类自然语言做抽象中转,更贴近科学本质。

模型训练分预训练、mid-training、后训练三个阶段:其中,预训练建立多模态生命科学表征,mid-training学习从序列到结构、功能和细胞表型的跨层规律,后训练重点增强长程推理能力。

AI4S基模训练框架(图源:科理新序)

暗涌Waves:这种长程推理,跟既往垂直小模型解决单点任务,有什么不同?

张载熙:比如做酶设计,不再一步出结果,而是像人类科学家一样分步推理:先搭建酶的活性中心,它决定催化功能的核心区域;再搭建蛋白质支架,把活性中心撑起来;最后补充侧链、微调细节。

这套长链条推理能力,是传统垂直模型、工具调用智能体不具备的。

暗涌Waves:把各类科学信息转换成“大一统”的Science Token,听起来更性感,但小分子、核酸、蛋白质等数据结构差异很大,为什么你们团队可以做?

张载熙:Science Token首先要解决的,是让模型读懂不同科学模态。

过去,围绕小分子、核酸、蛋白质、复合物和跨模态文本,我们分别做过相应的基座模型。从数据收集、模型搭建到训练,完整地走过。因此,团队知道每类科学数据应该怎样编码,不同模态之间又该如何对齐。

同时,做Stella、BioClaw等智能体时,我们积累了大量长链条推理数据,也摸索了通过后训练增强推理能力的方法。

另外,干湿闭环也很重要。Stella除了计算和算法模块,也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中,跑通过干湿闭环案例。因此,也清楚AI 应如何对接真实科研任务、连接自动化实验设备。

模型进化,需要主动获得大量高质量数据。干湿实验闭环,可以支撑我们持续获取训练数据、持续迭代。

暗涌Waves:从目前的探索结果来看,这个基座模型的能力如何?

张载熙:在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上,已取得不错效果。

我们对这个结果不是很惊讶,毕竟科学系统本身就是复杂多模态体系,如果能把多模态信息全部纳入模型,从全局视角做设计搜索,自然更容易得到更优解。

目前,我们在探索下一代模型训练方式,比如尝试AI for AI,Recursive的训练范式,挖掘科学内在规律、拓展更多模态,或提升模型参数量,以此强化长程科学推理能力。我们期待沿着这个方向,能实现AI4S基座模型的ChatGPT时刻。

Part03

以Science Token为商业模式

暗涌Waves:从定价和商业化上看,Science Token会带来新的商业模式吗?

张载熙:是的。不过,Science Token和文本Token的定价逻辑不一样,后者定价主要参考算力和电费成本,但Science Token除了考虑这些基础成本之外,还要衡量它背后的科学价值。有些领域,比如小核酸,数据非常稀缺,对应的Token价值自然更高,定价要体现实际的业务价值。

我们希望成为AI4S领域对标DeepSeek、Anthropic的基座模型公司,探索以Science Token作为计费单元的商业模式。

暗涌Waves:用Science Token计费,理想的买方是谁、具体用在什么场景?

张载熙:比如药企。当模型能力足够强之后,我们不需要花大力气做BD,绑定单条管线做交付。抗体管线、多肽管线、小核酸管线,各类任务都可以承接。

这时候计价单元就可以基于“消耗了多少Science Token解决这个药物设计问题”。就像Coding,不会按代码行数或模块来定价,客户信任模型能力,直接调用服务,消耗多少Token就付多少费用。这能省去大量BD个案的谈判工作。

暗涌Waves:如果这个模式能实现,它也会成为AI4S基座模型企业通行的商业化路径吗?

张载熙:Science Token还是我们提出的独有概念;至于衡量长链条科学推理数据质量的标准,及其计费标准,在全行业都没有成熟方案。我们和一些AI大厂交流时,他们也没太想清楚这件事。所以它还是一个非常早期的商业想法,需要行业共同推动形成共识。

暗涌Waves:从一级市场视角,我们能看到不少投资机构和资金在涌入,但这个方向目前的融资声量跟大模型、具身相比,还差得很远。你觉得大家的分歧在哪里?

张载熙:市场上存在两种极端心态,都可能造成投资决策犹豫。

一部分投资人认可AI4S万亿市场,相信AI科学平权,希望每个人都能释放想象力参与科学探索,他们的怀疑点在于:现阶段的技术能力,能不能把这件事做成。另一部分人则把AI4S市场看得比较小,觉得客户只有高校师生和PI,付费能力弱。

既往,市场对垂直模型具备清晰认知,但投资人对“大一统”的科学基座模型评判标准更严苛。因为他们觉得Harness加垂直领域小模型,足够解决科研需求。从用户端,很多科研人员虽向往更智能化的基座模型,但受惯性影响,习惯了调用工具化专项模型,这也是个矛盾点。

暗涌Waves:怎样的投资机构更愿意押注于AI4S基座模型?

张载熙:一些投科技的市场化基金,及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的“历史技术债”,就像“屎山代码”一样:药企内部集成上百个小模型,每个环节信息传递都有损耗,维护成本极高。

因此,他们从系统工程的逻辑判断,AI会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。

投资人的共识性要求是:必须快速迭代模型,抢占领头羊位置。团队配置上,我们已经把过去学术界和部分工业界大厂做AI4S基模研发的核心人才聚过来了,技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单,但投资人觉得,短期内不需要过度在意这点,优先把模型能力做出来更重要。

排版|王家玙

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

从一份 README 到 3 万星,RustFS 这一年都干了什么?

原创 HelloGitHub 2026-09-17 08:30 北京

起初,RustFS 背着质疑前行。如今,背后有了一群相信开源的人。感谢他们一直在为做出一个真正好用、靠谱、开源的分布式存储系统,而默默努力着。

去年是我第一次介绍 RustFS,那时候的它才刚刚开源(2025.7)。

在此之前,因为 RustFS 仓库里长期只有一份 README,然后还打着:用 Rust 打造企业级分布式存储,替代 MinIO 的口号。

当时被不少网友吐槽大言不惭、假开源。

现在一年多过去了,MinIO 已经宣布停止维护开源社区版,RustFS 却选择了开源正式版。这次发布的正式版,代表着 RustFS 已经做好了被用于生产环境的准备,能够进入实际业务的生产环境,扛起存储的大旗啦!

当我再次打开 RustFS 开源仓库:

GitHub 地址:github.com/rustfs/rustfs

当初那个只有一份 README、饱受质疑的项目,如今却交出这样一份令人惊讶的成绩单:

收起震惊表情的同时,我们也是时候回来看看,RustFS 这一年究竟长了什么本事?

一、去年刚开源,今年走进生产环境

先给没看过上篇的朋友简单介绍一下 RustFS,这是一个基于 Rust 编写的对象存储系统,采用 Apache-2.0 开源协议,完整兼容 S3 可实现无缝集成与轻松迁移。

去年 RustFS 刚开源的时候,我在自己的 2C4G 服务器,跑了一遍。但没敢干用于生产环境,处于想用不敢用的阶段,所以就转为持续关注了。

通常一个产品发布正式版,才意味着用户可以在生产环境使用,但是从 RustFS 官方公开的一些信息看,RustFS 在全球的安装实例数已经超过了 270 万,70% 以上来自欧美国家,其中有一些已经用于生产环境并成为了付费客户,比如法国的 TwinLabs、乌兹别克斯坦的 HyperApp 等,以及国内的一些大型企业。

既然正式版还没发布之前,就已经有很多人在生产上“尝鲜”了,那么正式版估计就更能扛事儿了。同时,这次更新,最吸引我的是「MinIO 丝滑切换」和「S3 Table」两个功能:

  1. MinIO 丝滑切换:将数据从 MinIO 无缝迁移至 RustFS

  2. S3 Table:像查表一样分析桶中的数据

二、正式成为 MinIO 的平替

在当下的对象存储领域,MinIO 和 AWS S3 是当之无愧的王者,但 AWS S3 是 SaaS 在线服务,因此对于钟爱私有化部署的用户来讲,MinIO 就成为了不错的选择,再叠加开源免费这一点,让 MinIO 拥有了众多国内用户。但是随着 MinIO 归档开源仓库,“断供”了开源版,就迫使大家不得不寻找开源平替。

这次正式版发布,RustFS 官方开源了一个针对 MinIO 迁移的功能:兼容 MinIO 的数据格式,RustFS 可以直接读取 MinIO 的数据盘。。这一招不得不说挺狠,有点“釜底抽薪”的意思。

这个 MinIO 迁移功能,使用起来十分丝滑。

这是用于测试的 MinIO,一个 Bucket 共 141 个文件:

一条命令安装 RustFS:

curl -O https://rustfs.com/install_rustfs.sh && bash install_rustfs.sh

修改 RustFS 的配置文件 /etc/default/rustfs:

RUSTFS_ACCESS_KEY=rustfs@test
RUSTFS_SECRET_KEY=rustfs@test
RUSTFS_VOLUMES="/data"
RUSTFS_ADDRESS=":9000"
RUSTFS_CONSOLE_ADDRESS=":9001"
RUSTFS_CONSOLE_ENABLE=true
RUSTFS_OBS_LOGGER_LEVEL=error
RUSTFS_OBS_LOG_DIRECTORY="/var/log/rustfs/"

这里可通过 RUSTFS_VOLUMES 参数指定 MinIO 的数据盘路径,直接读取数据完成迁移。

访问 RustFS 控制台,就可以看到之前在 MinIO 里的数据啦!

三、开源免费的 S3 Table

一般来说,对象存储管理的是非结构化数据,对于结构化数据,比如大数据场景下的各种表,就得用数据湖仓来管理。

RustFS 正式版开源的 S3 Table 功能,让用户可以直接用 Spark、Iceberg 创建表、读写表数据。当然这个功能不是 RustFS 独有,比如 MinIO 也有 S3 Table 功能,不过是在商业版里面,需要付费才能用,大约 80 万人民币/年。毫不夸张地讲,RustFS 直接将价值百万的功能开源了。

RustFS S3 Tables 是将 Apache Iceberg 的元数据目录(REST Catalog)直接内置进对象存储内核。于是一个进程、一个端口,同时讲两种“语言”——对外既是标准 S3,又是 Iceberg REST Catalog,支持 Spark、DuckDB、PyIceberg 创建表和读写数据。

使用 S3 Tables 只需要三步:

  1. 创建一个存储桶

  2. 将存储桶启用为表存储桶

  3. 编写 Spark 脚本写入数据

如此,就能通过 S3 Table 实现结构化数据和非结构化数据的统一管理。

四、AI 越热,数据的问题越具体

我清楚地记得,当时发现 RustFS 是因为它一个基础服务,出现在全是 AI 项目的 GitHub 热榜上,让我十分意外。

这次再看,RustFS 与 AI 的关系确实十分紧密:

  • 企业想把 AI 用起来,接上模型只是开始。让它查合同、回答业务问题,得给它提供对应的资料。比如:文档、图片、订单记录等数据,它们放在哪里、谁能访问、怎么交给模型使用,都是绕不过去的事。

  • 训练 AI 同样离不开数据。尤其是多模态和具身智能,训练材料里除了文字,还有图片、音频、视频,甚至机器人采集的传感器数据和操作记录。这些数据要保存、整理,还要在后续训练中反复读取,对象存储就能用来承载这批文件。

对开发者来说,可以自己部署 RustFS 试一试,看看是不是开箱即用。今天也许用不上,但哪天老板因为成本问题要自建内网的对象存储,至少知道有 RustFS 这样一套开源存储解决方案,不必再胆颤心惊地用已经停止维护开源的 MinIO。

五、正式版,交给开源社区的一份阶段性答卷

一年前,大家在等 RustFS 开源。

现在,RustFS 发布了正式版。曾经写在 README 里的计划和功能,不仅通过开源的方式兑现了当初的承诺,还走进了不少企业的生产环境。

据我了解,RustFS 的核心团队只有 7 个人。就这 7 个人与开源社区一路走来,累计提交了数千次代码、发了上百个版本、解决了上千个 Issue 问题,同时聚集了 160 多位来自不同国家、不同背景的开发者,在他们的共同努力下,让 RustFS 有了今天的样子。

这不仅是一次正式版的发布,也是一份回馈社区的答卷。社区帮助 RustFS 找到问题、完善功能,RustFS 则把这些共同积累的成果继续免费开源。需要的人可以拿去使用,有想法的人可以动手改进,让 RustFS 不断成长。取之于社区,回馈于社区,开源就这样在人与人协作中延续下去。

上篇文章的最后,我写过,希望大家多一些支持、包容和耐心,共同见证 RustFS 的成长。这次与 RustFS 的再次相遇,看到它发布正式版、进入多家企业的生产环境,还是挺感慨的。当初大家给予 RustFS 的包容和信任,如今有了一份实实在在的回应。做 HelloGitHub 这些年,我一直希望,大家发现一个开源项目之后,还能再往前走一步。装上用用、认真写下的问题反馈或者顺手修正文档里一条让自己卡住的命令。参与开源的开始,有时候就是这么一件小事。

回看 RustFS 的成长经历,正是这些看似不起眼的参与,才有了如今的拥有 3 万多 Star 的正式版。

GitHub 地址:github.com/rustfs/rustfs

起初,RustFS 背着质疑前行。如今,背后有了一群相信开源的人。感谢他们一直在为做出一个真正好用、靠谱、开源的分布式存储系统,而默默努力着。

HelloGitHub 不仅分享有趣的开源项目,也希望挖掘开源背后的故事。我们期待通过代码与文字,凝聚一群热爱开源的小伙伴,共同打造一个有趣、有温度的开源社区!

图片

- END -

跳转微信打开

  •  

有编制的Agent,才是好用的Agent

原创 李墨天 2026-09-16 21:00 上海

我的同事不是人

编程之后,人工智能下一个万亿美元的市场在哪里?产业界已经形成了共识:企业级Agent。

二季度的财报会上,亚马逊CEO Andy Jassy提了一个“需求杠铃”理论:

杠铃一端是Anthropic和OpenAI正在疯狂消耗算力,另一端是企业的业务自动化、反欺诈、智能客服打骚扰电话这些推理场景。位于中间的“企业工作流程”,Agent渗透率偏低,算力需求尚未释放。

前沿的大模型公司全世界也就十几家,各行各业的企业成百上千万,企业的生产场景比纯粹的编程规模大得多。因此Andy Jassy判断,亚马逊的云服务会成为万亿美元收入的业务。

作为出租算力的云服务商,亚马逊的言论自然有屁股决定脑袋的因素,但Andy Jassy的杠铃理论,也反映了当下Agent落地企业的现实:

一方面,AI对生产力的极大解放是公认的事实。

Anthropic本月在威胁报告中表示,一名胡塞武装分子用开源自动驾驶软件手搓制导导弹算法,并让Claude分析发射失败原因,喜提封号。用Agent美美写周报的牛马就别自诩超级个体了,这才叫超级个体。

另一方面,企业对AI的认知和落地之间,似乎存在断层。

按照麦肯锡去年的报告,在有意愿推动规模化落地的企业中,应用也局限在1-2个职能领域。今年Agent的火越烧越旺,但德勤对3235个企业的调研中发现,只有21%的组织拥有成熟的Agrnt系统,且“大多仍是单点的、孤立的”。

问题肯定不是出在态度上。Sam Altman表演了这么多次眩晕瘫坐,再保守的企业应该也跟着入戏了。除了少数秉持“不能让员工自己花钱买吗?”的老板,大部分企业家对AI可谓既有意愿,也有预算。

但目前来看,Agent定位更接近员工使用的“个人工具”,离真正的企业“生产负载”尚且遥远。员工付费上班和公司财务亲自开发票,是规模完全不同的市场。

默默藏起天道酬勤牌匾,天天把转型挂在嘴边的老板们,你们到底在等什么?

01.模型很聪明,同事很陌生

2024年底,微软CEO纳德拉接受访谈发表了一番暴论:SaaS服务的概念可能会在Agent时代崩溃,它们本质上就是带有业务逻辑的CRUD数据库。经过媒体添油加醋,被解读为SaaS药丸。

纳德拉话音未落,一个名叫Marc Benioff的人坐不住了。Marc Benioff是谁?顶级SaaS公司Salesforce的创始人,1999年创立Salesforce时喊的口号正是“软件已死”,结果被纳德拉洗稿用来判自己死刑,自然孰不可忍。

Marc Benioff,Salesforce的创始人

两人的唇枪舌剑,已经点出了企业级Agent落地的最大难题之一:上下文。

上下文是什么?即工作中具体的“语境”。

假设一个员工入职企业五年,他就积攒了公司整整五年的上下文,包括但不限于之前做过的所有项目,积累的经验和Knowhow,部门内部的黑话,哪个领导喜欢爹味教育,哪个领导喜欢对员工随地大小声等等。

我们在组织里交流和协同,隐含的前提就是对上下文的理解,Agent第一天来公司打工,部门的人都没认全,必须依赖人类输入足够多的上下文,变成公司里的老油条,才能准确的执行任务。

事实也是如此,会议纪要、文档搜索、日报周报等场景为什么是当前 Agent 的主战场?因为它们的上下文最薄,薄到只需要文档和对话。既不用碰核心系统、也不需要打通口径、更用不着跨部门权限。

因此,企业级Agent好不好用,关键落在了对上下文的理解。

于是到了今年,两人双双改口。纳德拉释放复活术,表示SaaS不会死,但商业模式需要重构。Marc Benioff亲自宣布开放API接口,面向Agent友好。毕竟上下文都在SaaS软件里,两者唇亡齿寒。

今年的SaaS Mag峰会上,Snowflake CEO Sridhar Ramaswamy就对“SaaS已死”的叙事表示看不下去:

“模型不带来任何竞争优势,因为竞争对手能买到同样的;你的专有数据才创造真正的优势。”

越来越多的人已经意识到,SaaS软件在Agent时代扮演的角色,比想象中重要得多。

02.谁批准它进群的

今年6月,到处散播AI恐慌的Anthropic忙里偷闲,发布了一个名为Claude Tag的产品。

简单来说,Claude Tag可以接入企业的Slack频道,员工只需要在文档和聊天中@Claude,就能狠狠奴役AI替自己干活。就算员工没有指派任务,Claude Tag也是个眼里有活的赛级牛马,会自己根据会议和聊天记录找活干。

Anthropic发布Claude Tag

之后,美国市场涌现出非常多AI Coworker概念的产品,特点是把Agent集成进企业协作场景,可以像普通员工一样和人类一起干活,加班到忘我。

按照Anthropic的说法,公司产品团队65%的代码由Claude Tag完成,工作也逐渐从Claude Code向Claude Tag迁移。

Claude Tag的发布很低调,但在业内引发的反响不小。AlexNet三人组之一的Andrej Karpathy第一时间献上彩虹屁,表示Claude Tag让AI产品交互进入了第三个阶段:AI Co-worker。

Claude在公司群里找活干

Claude Tag的开创性在于,把个人-Agent的1V1交互变成了组织-Agent,Agent调用的上下文规模从“个人”变成了“组织”,人和Agent可以像同事一样协作。

飞书之前发布的@Agent 进群、Agent之间互相协作等功能,也是类似范式在产品上的落地:把AI嵌入真实工作场景,Agent从纯粹的助理变成同事,打通所有上下文,降低沟通产生的摩擦成本。

这种“Agent+容器”的架构,成为当下企业级Agent的主流范式。办公软件和SaaS工具扮演的就是“容器”的角色,解决了两个问题:

一是可靠性。企业对可靠性的要求与个人不可同日而语。最典型的是数据安全。2023年4月ChatGPT问世不久,三星电子的AI潮人就整了三次大活,都是工作中非常典型的场景:

员工A把有问题的原始代码复制到ChatGPT,请AI把把关。员工B把提高生产良率的源代码输入到ChatGPT,要求AI帮忙优化。员工C把会议录音转换成速记稿,要求ChatGPT制作会议纪要。

三星内部泄密事件惨遭媒体嘲笑

数据是所有制造业企业严防死守的机密,你愿意开展一场壮士断腕的变革,公司风控和法务部门未必敢拿饭碗陪你玩命。SaaS软件的可靠性都经历了十多年的考验,天然适合当上下文的容器。

二是Agent的原生支持能力。

人用的东西和机器用的东西是两个物种,SaaS软件的按钮、菜单、视图在过去十几年里完美匹配了人的交互习惯,但Agent需要结构化、可调用验证的接口。因此,企业级产品既要符合人的直觉,也要符合AI调用的习惯。

两者结合,等于把产品架构重写,需要大量适配工作。

国内的SaaS产品里,飞书一直是对Agent适配最激进、也最友好的平台,年初龙虾热席卷中国,飞书短时间内开源迭代了上百项对Agent开放的新功能,让Agent能熟练操作。

直到今天,飞书CLI在Github平台上的Star数量依然是企业微信的约5.6倍、钉钉的约5.9倍。

国内社交媒体上,有一堆Agent接入飞书的教程,原因就是沉淀在飞书里沉淀的上下文和完善的交互。给Agent一堆打卡数据,蒸不出什么好东西;没有完善的交互,Agent的使用门槛降不下来。

换句话说,AI办公大战,打的是一个Agent-模型-协作工具怎么做好配合的仗。

03.文件传输助手不叫数字化

Claude Tag打开了企业级Agent的想象空间,顺便给被判死刑的SaaS公司翻了案,但中国的SaaS公司暂时还笑不出来。

过去十几年里,SaaS这个产业在中国一直躺在重症监护室,是个人都能指出国内SaaS软件面前的三座大山:企业认为软件没用;定制化需求多且杂;企业付费意愿不足,公司无法积累利润投入研发。

目前,大部分企业的内部沟通和文档传递靠的还是微信,虽然会遇到国庆假期一过,所有文件全部失效又不好意思再要一次问题,但不可否认,这是中国公司用脚投票投出来的结果。

SaaS产业繁荣与否,直接挂钩产业界的数字化水平。

过去几年,智能化的妖风吹遍产业界,各路英雄好汉打着转型的旗号大干一场,发现自己在智能化的前置工作——数字化上的欠账实在太多。

数据是一切智能的基石,数据存在服务器里还是A4纸上,直接决定了企业的数字化水平,把组织和业务流程搬到线上的数字化建设,在产业界满打满算也没几年。

到了Agent时代,这个问题的重要性越来越明显。

德勤在报告中明确指出,组织的上下文沉淀在ERP系统里、业务逻辑在ABAP代码和员工的日常沟通里,Agent理解一家企业的知识,本身就是一个大工程。

由此又衍生出一个新问题:能被Agent调用的数据才有价值。

Agent能多大程度提高企业运转效率,取决于Agent对企业生产流程的参与度,能调度多少数据构成的组织上下文。

这个问题不解决,Agent就进不去核心生产场景,相当于招了顶级研究员,但不给人配门禁卡,连个工位也没有。

如果一家企业只积累了大量打卡数据,Agent就只能帮人事部门狠抓考勤。如果企业的知识库里全是领导讲话,肯定能蒸馏出一个DeepLeaderV4,能不能转化成利润就未必了。

AI时代的企业办公赛道,似乎又回到了那个中国SaaS公司思考了几十年的问题:企业到底需要什么样的工具?

04.你什么家底

想把Agent用好,首先需要一个“Agent友好”的工作环境。很多企业已经发现,Agent能否提效,和组织的工作习惯密切相关。

没有文档文化,蒸馏无从谈起。

国内几家互联网大厂,基本都有从模型-Agent-协作工具的完整生态。考虑到大厂对“入口”的谜之眷恋,Claude Tag+Slack这种形式注定不是主流,Agent-模型-协作工具一家通吃,才是大厂们的目标。

这个时候,各家大厂扮演容器的协作工具有没有让企业形成足够的数字化水平,就至关重要。

理想状态下,组织里的每个员工都应该有意识的归集上下文,但这种反人性的手段既不现实,也不可能实现。因此,企业内部大量的隐性知识,呈现碎片化的分布。

文档文化这件事,很难靠员工自发,更多以来工具倒逼。办公软件所定义的工作方式,会极大影响企业的工作习惯,继而影响当下的“Agent友好度”。

所以,AI办公大战的各路参战方看似在同一条起跑线,其实攒下的家底完全不同。经历了当年的远程办公大战,产业界基本形成了一种共识:飞书积累了最适合Agent落地的工作习惯。

2019年飞书向外界推出,数字化和智能化是企业转型的热门词汇,也影响了飞书的设计理念。飞书的产品逻辑是All in one,即所有功能集成进一个产品,文档,表格,日历,日程完全打通。

从当下的视角看,这是一种非常超前的Agent友好设计。如果聊天一个软件、文档一个软件、会议一个软件,Agent还要逐个建立连接。

同时,飞书推崇的云文档、多维表格、智能纪要等功能,也把“积累上下文”这个动作融入了员工的日常工作,上下文能自动积累。

办公软件有多少日活并不重要,毕竟打仗不是六十万对八十万比谁人多;它主要用来打卡还是用来写文档,这才是关键。而且日活是可以买的,文档是演不出来的。

举例来说,飞书狂推的多维表格,底层其实是基于公司业务的关系型数据库,自动归集了碎片化的数据,表和表之间相互关联,天然适配Agent的调用。

字节今年8月迅速整合产品,打通飞书和豆包工作,就是把豆包工作的Agent能力接入飞书AI Native的工作习惯,组合成一套企业级Agent体系。

对当下的中国企业来说,当年SaaS公司面对的认知不足、要求太多、不想花钱三座大山基本都被AI FOMO铲平,只是这一次,千万不要再输在没有文档文化上了。

05.说话的方式简单点

办公协同作为企业最基础的需求,一直是企业组织的核心应用,但每一次技术变革中,协同方式都会被重新创造。

微软的Office诞生时,其进步性在于把A4纸上的文档原封不动的呈现在屏幕上,把表格里大量枯燥繁琐的运算交由计算机运行,提高了商业世界的信息化密度。

移动互联网时代,员工用手机看文档,用IM工具沟通,在线协作成为可能,Google Docs取而代之。Saleforce用277亿美元天价收购的Slack,原因是美国年轻人在走向工作岗位之前,Facebook和WhatsApp已经嵌入他们的生活方式。

办公协作软件的进化史,就是一部沟通渠道不断打通、摩擦成本不断降低的历史。

人工智能打开了Agentic AI的想象空间,但它的底色依然是沟通渠道越来越顺畅,摩擦成本越来越低,信息传递效率越来越高,个体的创造力被进一步激发。

时至今日,上汽集团、星巴克、古茗等企业,正在基于AI新标准转向飞书,沃尔玛、正大天晴、海信等各行业头部企业,开始选择飞书作为核心协同平台。

AI时代,离AI最近的一批中国公司,正在用脚投票。

全文完,感谢您的耐心阅读。

参考资料

[1] The State of AI 2025,麦肯锡

[2] Scaling Agentic AI to realize business value,德勤

[3] 胡塞武装被曝用Claude Code替代工程师开发导弹,Anthropic:已封相关账户,华尔街见闻

[4] SaaS Applications “Will Collapse” In The AI Agent Era: Microsoft CEO Satya Nadella,S&P Global

作者:李墨天

编辑:戴老板

责任编辑:李墨天

图片

图片

跳转微信打开

  •  

豆包大升级!Agent 干活新姿势~

原创 秋芝2046 2026-09-16 17:21 广东

雷猴啊,朋友们~

豆包工作x飞书大升级,这次真的很给力~这期是我们作为资深飞书客户x豆包工作用户的自用分享!

昨天我就在「飞书未来无限大会 - 暨豆包工作开工大会」的现场!

作为常年住在飞书上、并且第一波用豆包工作团队的“用户代表”~

我还跟飞书 CEO 谢欣、飞书商业化负责人林婵,面对面交流了~   

感谢飞书、豆包工作的邀请哈哈,

印象最深也最有体感的,是谢欣老师说的“Agent现在是飞书的一等公民”,

因为这次豆包工作,是系统性地跟飞书融合,的确跟调用CLI、MCP式的“外接”不一样,后面我们慢慢说~ 

林婵老师的大企业客户们也真的已经有很多各种行业意想不到的Agent落地 !

无论你用没用过市面上的办公 Agent,今天看完都会有收获,这个豆包工作真的不一样~

(何况它现在还能免费领 30 天订阅。)

那我们开始吧!

图片

豆包工作是什么

豆包工作,是跟飞书结合之后刚发布的办公专用 Agent。

界面就是这样:技能、连外部应用、定时任务、操控本地电脑,市面上Agent有的它都有。

额外呢,它还有一台云电脑,还能手机遥控。

但是!这些都不是重点~这回最关键的区别,是用飞书登录之后,上下文自由了,因为豆包工作原生融入飞书~

豆包工作原生融入飞书

上下文说白了,就是做一件事,要知道事情的所有来龙去脉。

就像新同事来了,你还得给人介绍一遍公司和项目情况吧?但很多朋友用普通Agent,不会给Agent组织上下文的。

于是,大多数人找Agent干活,都像让临时工做事。每次都得说一大堆前提,效果还不尽人意。

但豆包工作用飞书登录之后,等于是Agent直接进了你的工作现场。

飞书你里的文档、表格、群聊、会议纪要、日程、组织关系,包括审批进度,全都是豆包工作的上下文。

它全都知道,还全都能操作。它就像你跟你同一天入职的老同事,还跟你共用一台电脑,上下文完全拉通。

结果就是:同样的活,它能干得更省废话、更省事、效果还更好,跟你非常有“默契”!

好,我们一个个看具体案例,越往后越强~

图片

第一层:工作问答

首先,工作的事,问他比问任何人都靠谱~

比如,最近我们公司招人,投递的人很多,那hr就会问它,

现在还有多少人笔试交了但没阅卷?汇总一下。

你看,这提示词可以说没头没尾的,但它几分钟就出了个可视化报告。

你还可以继续说,

那把他们的资料和笔试题按不同岗位打包,整理成清晰的文档,发给相关的岗位负责人,催他们评卷

当当~

消息也直接发出去了,还配了这么清晰的文档,关键我都不用说谁是负责人~

那究其背后的原因也很简单:我们的招聘人员表格,就在多维表格里。我们的部门人员,它也能看到。

图片

第二层:有上下文干活

不过,能查只是基础,有上下文之后干活才是真爽。

比如,给客户做方案。

你一般要写一大串提示词吧:“我要做个什么什么方案,要求是巴拉巴拉。”

但我可以直接说

我要给客户做一套鸡尾酒品牌设计,要求都在会议上说了,
我觉得范式和报价都跟之前小黎做的茶饮项目很像,你参考他那种,生成一个鸡尾酒品牌设计的方案,带图

一整个借鸡下蛋有木有?客户的会议纪要它自己翻,同事的过往项目它自己去看,我都不用给他转述。

然后,它官方还自带了设计技能,还有强大的Seedream5.0 生图,直接就做成这样了!

并且,它的经验还在边做边积累,再加上它的多模态能力,日常的办公方案真的可用率大幅提高。好看,信息又准确~

我说个有意思的,新人入职都要给他介绍公司、也要给大家介绍新人吧。

因为豆包工作公司和新人的信息它两边都知道,而且我们已经做过几次,它就熟门熟路了。

hr只需要一句:

今天杨怀雨入职,做个欢迎卡片和介绍公司的音频发到工作大群里面

你看看,

定制的新人介绍条漫,

还有一条公司介绍音频,听!

节目效果直接拉满。豆包工作确实多模态很强,这个喊麦就是用它新上的 Seed Audio音频模型,一句话做播客、做故事、相声都很给力~

所以说,像我们这种一直用飞书的团队,干起活儿来就像入职多年的老同事,一干一个准~

当然,如果你公司不用飞书,用个人飞书登也可以,因为你跟豆包的协作也可以沉淀下来,也会越用越懂你。

图片

第三层:妙搭做系统

ok,到这其实已经很强了,但还能更强。它还能跟你持续一起干跨几个月的大项目,甚至建系统。

比如,我们最近在开发产品,快上线时,我想让全公司都来测试提bug,想开发个小应用,指导不了解产品的同事测试,方便提交。完了,bug 还能自动进多维表格、自动同步到 GitHub issue,每天还汇报修了多少bug。

这听着是个有点复杂的系统,但我就这么把想法跟它说了。

它当场开发、部署、发群里。

然后这是引导页面,

提交页面,

表格收集,

issue提交和每日提醒全跑通~

因为它连着我的本地电脑,看得到代码,也连着 GitHub,可以直接提issue,还能自己操作多维表格、还能开发应用部署妙搭。

AI友好数据库

你会发,它几乎是团队里最知道情况的人,这就和之前跟林婵老师聊的一样。我们这套提 bug 的小系统,也是在把原来分散的步骤接起来,让大家能照着同一套流程协作~

先进,实在先进!

图片

第四层:远程自动办公

那第四层,就是它新的 Agent 能力也很多:像刚才用到的 Seed Audio、Seedream、Seedance,还有一大堆 mcp 连接器。而且,它手机电脑数据互通、还带个云电脑,等于你随身带个 24 小时在线的同事。

假设你在外面吃午饭,竞品突然上新爆款,老板很紧张,让你赶紧分析。

你直接打开手机,选上云电脑,说一句:

帮我做个竞品分析,去全网找飞书录音豆的相关信息,官网、电商平台、社交媒体,
重要的信息要截图,分析他们的产品定位、竞争策略以及目前上线后的用户反馈、销量数据,
做成交互式应用展示。

然后,还可以点开技能,

选上应用生成、产品分析报告。

然后,锁屏继续吃饭~

它就自己在后台云电脑的浏览器里自己点击、截图、翻页、收集信息、开发应用,可能还自主的派出了不同的子Agent~

等你吃完,回去刚好验收验收。你看看这个效果~

图文并茂的,我直接转发给老板~

最后,企业老板们也省心了,团队版豆包工作的权限、额度、数据都能统一管理。

飞书里员工看不到的,它也看不到,AI 额度,老板分配。

员工看不到的Agent也看不到

最重要的,做的成果、数据都落回飞书,个人经验沉淀成团队资产。

图片

好啦,

其实,现在的 Agent 都很强了,差的不是智商。

很多朋友用不好,是它不在你的工作现场、上下文不够。

这次豆包工作一接飞书,真的太省事,也非常有想象力~

当然,我也期待字节能赶紧出个更强的大模型。那别说日常办公了,公司战略我都要问他了。

好啦,趁他现在还送 30 天订阅,薅住!

我们下次见啦~

跳转微信打开

  •  

DeepSeek Harness:从“会回答”到“能持续做事”的 Agent 运行时

小编 2026-09-16 15:43 北京

我们已经习惯向大模型提问:解释一段代码、生成一个函数、分析一次报错。模型往往能给出像样的答案...

我们已经习惯向大模型提问:解释一段代码、生成一个函数、分析一次报错。模型往往能给出像样的答案。

但把问题换成“请把这个项目里的问题修好,并验证结果”,难度就变了。

它需要读取目录、理解约束、定位原因、修改文件、运行测试;测试失败后还要继续排查。任务中途,用户可能改变要求,工具可能超时,上下文可能接近上限,进程也可能退出。

从回答问题到完成任务,中间隔着一整套运行系统。

DeepSeek Harness,简称 DSH,关注的正是这套系统:如何把模型、工具、上下文、任务状态和执行策略组织起来,让 Agent 能够持续推进工作,也能够在必要的时候停下来。

它最有辨识度的设计是 Everything is a Plugin——一切皆插件。模型适配器、工具注册表、会话日志,甚至 Agent 的执行循环本身,都通过插件装配。

本文沿着“一个任务如何被持续执行”这条主线,拆解 DSH 的核心架构,并讨论它的工程价值与现实边界。

阅读范围:本文主要依据本地 DeepSeek Harness 源码、架构文档及配套插件示例撰写。源码快照为 99f6f02,提交日期为 2026 年 8 月 17 日。2026 年 9 月 15 日查阅的官方仓库仍将项目标注为开发者预览版;后续版本的命令、接口和行为可能变化。本文讨论架构与实现,不作性能排名。

一、Harness 到底是什么?

Harness 在 Agent 语境中,可以理解为让模型在真实环境里工作的运行支撑系统。

模型负责理解输入、生成内容、提出工具调用。Harness 负责接住这些输出,并把它们转化为受管理的执行过程。

例如,模型提出“运行测试”,后面至少还有这些问题:

  • 运行哪个工具,参数是否有效?

  • 在哪个目录、哪个执行环境中运行?

  • 当前权限是否允许,是否需要用户批准?

  • 超时、失败或取消之后怎么处理?

  • 工具结果怎样进入下一次模型请求?

  • 执行记录保存在哪里,之后如何恢复和检查?

为了帮助理解,可以写出一个概念性的关系:

Agent 系统 = 模型能力 + 工具能力 + 状态管理 + 执行与控制机制。

这不是严格的数学公式,但指出了一个事实:模型能力只是任务执行的一部分。

同一个模型,置于不同 Harness 中,可能表现出很不一样的做事方式。差别往往来自它能接触什么工具、得到什么反馈、保留哪些历史,以及系统如何决定下一步。

DSH 的定位,就是提供一个可组合、可扩展的 Agent 运行时。官方仓库将其描述为由 DeepSeek AI 开发、基于 Cordis 的开源 Agent Harness,并采用 MIT 许可证。官方仓库

二、先看全貌:一个运行中的 DSH 是怎样拼起来的?

理解 DSH,可以先把它看成五组相互配合的组件:

组成

解决的问题

使用入口

用户或外部程序怎样发起任务、观察进度、进行交互

执行机制

Agent 怎样请求模型、调度工具、继续或结束一轮工作

能力服务

模型、文件系统、Shell、子 Agent 等能力由谁提供

状态与策略

会话如何保存,上下文如何压缩,权限与目标如何管理

Cordis 与配置装配

上述组件怎样挂载、声明依赖、通信和卸载

这是便于阅读的概念分组。实际运行结构是一棵由配置装配出来的插件树。

图 1|DSH 架构总览
图 1|DSH 架构总览

图 1|DSH 架构总览。配置装配运行时插件树,Cordis 管理依赖、事件与生命周期;图中按职责分组。

其中有三个容易混淆的概念。

Profile:一次部署的组合方案

Profile 决定启动哪些 Bundle、安装哪些外部插件,以及采用哪些用户配置。源码提供了 web、headless 等模板。

web 面向浏览器交互;headless 可以执行一次任务而不启动 Web 服务。

Bundle:一组可分发的插件配置与代码

Bundle 把相关配置行和插件代码组织成可安装的单元。

例如,基础 Bundle 提供模型适配、工具、持久化、权限等能力,Web Bundle 再叠加浏览器应用。

Agent Preset:单个会话的能力组合

Profile 面向运行实例,Agent Preset 则进一步决定某个会话中的 Agent 使用怎样的能力集合。

这使同一套运行时可以承载不同用途的 Agent,而不必把差异都塞进系统提示词。

配置还可以分层覆盖。源码中的装配顺序包括 Bundle、Profile 补丁、全局补丁和命令行补丁。需要注意,补丁对目标配置行的 config 采用整体替换,不能想当然地当成逐字段深度合并。

DSH 的产品形态,由一组明确的组件及其配置共同决定。 这也是后续讨论“一切皆插件”的起点。架构文档(本文源码版本)

三、Cordis:让“一切皆插件”成为可管理的运行结构

插件机制并不罕见。DSH 的特点在于:插件化深入到了 Agent 运行时内部。

工具可以是插件,模型适配器可以是插件,负责执行循环的组件同样可以替换。这种结构要求底层框架处理好三个问题:依赖、通信和生命周期。

1. 用服务依赖表达装配关系

Cordis 通过 Context 提供共享服务。例如:

  • ctx.llm:模型调用能力;

  • ctx.tools:工具注册与执行;

  • ctx.sessions:会话与事件日志;

  • ctx.agents:运行中的 Agent。

插件通过 inject 声明所需服务。依赖尚未就绪时,框架会等待相应条件,而不是要求开发者手动猜测启动顺序。

这样,依赖关系就进入了可检查的运行结构。

2. 用事件提供扩展点

DSH 在模型请求、工具执行、回合结束等位置暴露事件。插件可以观察过程,也可以在约定的位置实施策略。

例如:

  • agent/pre-step:决定哪些输入进入下一步;

  • llm/stream:参与模型请求与流式输出链路;

  • tools/pre-execute:执行前检查;

  • agent/turn-stopping:在回合关闭前参与继续执行的决策。

不同事件有不同的分发语义。其中 waterfall 类似中间件链:监听器调用 next() 才会把控制权交给下游。忘记调用,可能会提前截断整条链路。

这说明插件扩展虽然灵活,仍然依赖清晰的契约。

3. 用可回收的注册管理生命周期

工具定义、事件监听器和其他运行时贡献,应通过 ctx.effect()、ctx.on() 等机制登记。插件卸载时,框架据此回收对应资源。

这对动态加载尤其重要:插件撤下之后,不能还残留一份工具定义,或留着一个继续触发的监听器。

这里的“可逆”,有明确范围。

框架能够撤销受管理的注册与资源,已经发生的业务操作则需要另行处理。 插件写过的文件、提交过的数据、发起过的外部请求,不会随着卸载自动还原。

因此,Cordis 提供的是运行结构的生命周期管理;业务回滚仍需要备份、事务或补偿机制。Cordis 入门文档

四、Agent Loop:模型如何从一步走到下一步?

理解持续执行,首先要区分 Step 和 Turn。

一个 Step,是一次模型请求,加上这次请求触发的工具执行。

一个 Turn,是零个或多个 Step 组成的一轮工作。如果输入在进入模型之前被拒绝,这一轮也可能没有任何 Step。

用修复测试失败的任务举例:

  1. 用户提出任务,运行时接收输入。

  2. 模型请求读取相关文件。

  3. 文件工具执行,结果写入会话。

  4. 模型根据结果提出修改。

  5. 修改工具执行,模型继续请求运行测试。

  6. 测试失败信息进入下一次请求。

  7. 模型继续修复,直到给出结果或遇到停止条件。

其中,每次“请求模型,再处理工具调用”构成一个 Step,多次 Step 可以属于同一个 Turn。

图 2|Agent 执行闭环
图 2|Agent 执行闭环

图 2|Agent 执行闭环。工具调用按需发生,结果写入会话并成为后续请求的依据;是否继续由下一步工作决定。

工具输出如何成为下一步的依据?

DSH 不只调用工具,还把调用和结果记录为会话事件,再从会话中派生后续模型请求的历史。

于是,“运行测试失败”成为模型能继续利用的上下文。模型才有机会依据实际报错调整行动。

工具调度也不意味着全部串行。源码区分可并发调用与需要独占执行的调用:适合并行的工作进入有界并发池,需要独占的调用形成执行屏障。

即便部分执行过程重叠,结果仍按模型原始调用顺序提交,避免仅因完成时间不同而打乱上下文。

为什么它不会天然永远执行?

Agent Loop 有明确的停止边界。当工具不再要求后续请求、也没有待处理的下一步输入时,一轮工作可以结束。

回合关闭前,扩展点还允许插件通过新的输入推动下一步。但“不断调用模型”本身不能证明任务在取得进展。

循环负责推进执行;目标管理和验收机制负责回答,还要不要继续、做到什么程度才算完成。

五、持续做事的关键:Goal、子 Agent 与 Workflow

DSH 提供了几种不同层次的持续执行机制。理解它们的分工,比笼统地说“支持长任务”更有价值。

图 3|四种长任务组织方式
图 3|四种长任务组织方式

图 3|四种长任务组织方式。同会话接力、子任务委派、程序化编排与全新执行者接力,分别应对不同任务结构。

1. Goal:在同一个会话中继续推进目标

Goal 服务保存一个当前目标,包括目标状态、版本和已启动的目标轮数。状态变更通过 goal/change 事件写入会话。

单独的 goal-round-driver 插件负责推进:当 Agent 空闲、目标仍处于激活且允许继续的状态、轮数还有余量时,它安排下一轮目标输入。

这意味着,任务不必依赖用户一次次手动输入“继续”。

目标状态与继续执行的权限被分开处理:

  • 目标状态持久保存,恢复后仍能知道此前要做什么;

  • 自动继续的授权只存在于当前进程生命周期中,不会直接随日志恢复。

因此,会话恢复或分叉可以保留目标,却不会仅因旧日志中的目标仍为 active 就自动开始工作;需要显式恢复操作重新激活继续执行。

此外,用户输入会影响自动轮次安排,取消、暂停、阻塞和完成状态也会抑制后续推进。

这是长任务系统中很有价值的一种区分:记得任务,与获准继续执行任务,是两件分别管理的事。

Goal 也有现实限制。该版本主要限制轮数,不能据此推导出固定 Token、费用或时间上限;完成状态由调用方记录,还没有独立验收器替它证明目标已经实现。Goal 服务

2. 子 Agent:把边界清楚的工作委派出去

子 Agent 适合承担能够独立描述和验收的任务,例如检查一组接口、分析某个模块,或审阅一个限定范围的改动。

DSH 为子 Agent 定义统一接口,再提供不同实现:创建全新子 Agent、继承父会话已完成历史的分叉,以及通过 SDK、ACP 或特定外部产品适配器进行委派。

源码中能看到面向 Codex、Claude Code 等执行后端的适配器。实际使用还取决于相应依赖、凭据与运行环境是否就绪。

统一接口的意义是让上层编排减少对具体执行后端的耦合。它不会消除多 Agent 的协调成本:任务拆分、上下文交接、共享文件冲突,以及结果复核,仍需要设计。

3. Workflow:把协作顺序表达成程序

当任务需要“并行分析,再汇总”“逐项处理,再进入下一阶段”时,Workflow 提供程序化编排能力。

本地实现暴露了 agent()、parallel()、pipeline() 等接口,并对并发数、总子 Agent 数和取消流程进行管理。

工作流脚本运行在 Worker Thread 中。这能避免脚本中的同步忙循环阻塞宿主事件循环,也提供强制终止工作线程的手段。

不过,Worker Thread 和 node:vm 在这里不构成安全沙箱;源码文档对此有明确说明。Workflow 实现

4. Ralph:每轮换一个新的执行者

源码还实现了固定策略的 Ralph 工作流:每一轮启动一个不继承父对话的新子 Agent,交给它同一个目标、当前轮次和上一轮的结构化交接报告。

连续性主要依靠共享工作区和交接信息维持。

它与同会话 Goal 的取舍不同:Goal 延续已有上下文;Ralph 让新的执行者重新观察工作成果,同时付出上下文重建的成本。源码要求仅在人类明确请求这种执行方式时使用。

Ralph 返回的完成或阻塞状态,同样属于工作 Agent 的报告,不能当成独立验证结论。

六、会话日志:持续执行背后的事实底座

在长任务中,一个经常被低估的问题是:系统究竟相信哪份记录?

如果模型上下文、UI 展示和磁盘历史分别维护,很容易出现不一致:界面显示工具成功了,模型却没收到结果;恢复之后,某个关键约束又丢失了。

DSH 把只追加的 Session Event 日志放在核心位置。用户输入、模型输出、工具调用与结果,以及目标等状态变化,都可以进入这条事实流。

模型请求历史通过 deriveMessages() 等投影机制从日志中生成。UI、恢复、分叉和持久化也以事件流为基础。

项目强调的约束是:进入模型请求的内容,应能够从日志中重建。

这让排查问题有了具体依据:

  • 它当时读到了什么输入?

  • 发起了什么工具调用?

  • 工具实际返回了什么?

  • 在哪一步选择了继续、结束或报错?

不过,“可重建记录”不等于“重新运行一定得到同样结果”。模型生成可能变化,外部文件、网络服务和运行环境也可能变化。

日志帮助复盘和恢复;外部操作是否成功,仍应以对应系统的状态和验证证据为准。

七、上下文压缩:让任务继续,也要承认信息损失

任务越长,工具输出和历史消息越多。模型上下文窗口有限,运行时必须决定哪些信息继续原样保留,哪些信息需要浓缩。

DSH 的基本压缩实现大致包含三个环节:

  1. 根据当前请求构成和模型容量评估上下文压力。

  2. 在配置了对应裁剪服务时,先缩减过大的工具结果,必要时再对旧历史生成摘要。

  3. 保留近期的完整片段,用摘要替代模型请求视图中的较早区间。

这里有一个重要设计:压缩修改模型看到的历史视图,原始事件记录仍保留在日志中。

“完整保留执行历史”和“每次给模型发送全部历史”因此可以分别处理。

图 4|会话日志与上下文压缩
图 4|会话日志与上下文压缩

图 4|会话日志与上下文压缩。原始事件保留在日志中,压缩后的请求视图由摘要和近期片段构成。

压缩还要照顾工具调用与结果的配对,避免留下孤立的调用或结果,让后续模型请求失去结构上的完整性。

DSH 也关注缓存。很多包的文档会专门解释对 Token 和 KV Cache 的影响。复用稳定前缀有助于缓存命中,但压缩替换了部分历史,会改变相应位置之后的复用边界;摘要调用本身也会产生额外消耗。

上下文管理是一项在信息保留、请求成本和执行连续性之间做取舍的工程工作。 摘要仍可能遗漏约束,因此重要结论、验收命令和交接信息,也适合保存在可重新读取的项目文件中。

持久日志同样不应直接等同于完善的长期记忆系统。跨会话检索、知识更新和冲突处理,还需要额外的组织方式与组件。上下文压缩实现说明

八、能力接缝:为什么它能够替换执行后端?

DSH 用 Capability Seam 描述可替换的能力边界,可以理解为“预留了标准接口的连接处”。

一个完整接缝有三个角色:

角色

职责

Service Definition

定义能力接口和数据契约

Service Provider

提供具体实现

Consumer

使用接口,或把能力暴露成模型工具

以文件访问为例,上层消费者依赖文件系统接口,下层 Provider 决定实际访问本地环境还是某种远端环境。

模型适配、Shell、子 Agent、上下文压缩等能力也采用类似思路。

这种结构带来的收益,是把经常变化的实现放在可替换的边界后面,让调用方尽量保持稳定。

但替换 Provider 需要满足整组契约。特别是文件系统和子进程等能力,需要指向一致的执行世界:读取的是远端文件,执行命令却落在本地,就无法形成可靠闭环。

架构中存在远端适配空间,也不代表某个具体后端已经达到生产成熟度。例如,本地仓库将 E2B 相关部分标注为 POC,应按概念验证实现理解。

九、扩展怎么落地?看一个“用量与余额”插件

当前资料目录中有一个具体示例:为 DSH 增加 Token 用量概览和 DeepSeek 账户余额面板。

这个例子说明,插件机制如何把已有服务连接成用户看得见的功能。

Host 端:读取与组织数据

宿主侧代码读取会话查询、实时投影或持久化投影缓存,聚合模型 Provider 上报的 Token 用量,再通过 RPC 暴露给前端。

账户余额查询则经凭据服务获取密钥,通过 Shell 调用接口,最后返回适合展示的数据。

Client 端:接入已有界面

浏览器侧通过 host.call() 获取数据,将界面注册到侧栏入口、浮层和设置页等插槽中。

这让数据能力和展示位置能够分别扩展。对于这样的功能,开发者无需修改 Agent Loop。

不过,并非每个 DSH 插件都必须包含 Host 和 Client 两部分。纯工具、策略或服务插件可以只提供它需要的那一侧。

图 5|“用量与余额”插件数据流
图 5|“用量与余额”插件数据流

图 5|“用量与余额”插件数据流。Host 侧读取和组织数据,Client 侧通过 RPC 获取结果,再注册到已有界面插槽。

一个细节,体现插件开发的责任边界

示例把密钥通过环境变量传给 Shell,避免在代码中硬编码密钥。但 Shell 展开请求头之后,密钥仍可能短暂进入 curl 的进程参数。

示例 README 已记录这一限制,并提出通过标准输入传递请求头配置的改进方向。

因此,不能把“通过凭据服务读取”直接写成“密钥绝不会暴露”。服务接口提供了集中管理入口,调用方式仍需要开发者审查。

同样,会话用量统计来自本地记录,不应据此声称它覆盖了整个供应商账户的全部消费。

动态插件:把想法变成运行时实验

DSH 提供 cordis_inspect、cordis_define、cordis_run、cordis_stop 等工具,让 Agent 查询可用接口,定义并运行临时插件。

这是一项很有探索价值的能力:Agent 可以在已有服务和扩展点上,临时补充工具、提示词贡献或界面功能。

但该版本的动态定义仅存在于进程内存中,重启后消失,也不会自动变成持久安装的插件。长期保留与分发,仍要走正常的插件开发、测试和安装流程。

将它理解为可交互的运行时扩展实验,比直接宣称“Agent 已经实现自主进化”更符合源码展示的能力范围。动态插件工具说明

十、Plugin、Skill、MCP:分别在扩展什么?

围绕 Agent 的几个常见概念,可以按职责区分:

机制

主要作用

典型例子

Plugin

改变运行时能力、策略或界面

注册工具、增加模型适配器、拦截执行、扩展设置页

Skill

组织可复用的任务方法和操作知识

代码审查流程、文档写作规范、项目排查步骤

MCP

通过协议连接外部工具与资源

接入知识库、业务系统或外部服务

三者可以配合使用。例如,Plugin 提供 MCP 客户端能力,MCP 连接外部系统,Skill 指导 Agent 如何利用这些工具完成业务流程。

选择扩展方式时,可以先问三个问题:

  • 我需要改变运行时行为吗?

  • 我主要是在固化做事方法吗?

  • 我是在连接一个外部系统吗?

明确问题,往往比先寻找插件更有帮助。

十一、控制能力越重要,边界就越要讲清楚

持续执行的 Agent 可以读写文件、运行命令和调用外部服务。它需要把“模型提出操作”和“系统允许操作”分开处理。

DSH 的工具管线包含执行前策略、审批、只能进一步限制调用的 Guard、执行包装、结果处理和日志记录等环节。

按照本地管线文档,当策略要求询问用户时,审批发生在 Guard 检查之前;审批服务缺失或无法给出有效响应时,该请求被拒绝。工具执行还可以受底层文件系统策略和进程沙箱实现约束。

这些机制分别承担不同责任:

  • 策略与审批决定是否允许这次调用;

  • Guard 保留必须执行的限制;

  • 沙箱约束受其覆盖的执行环境;

  • 日志记录模型可见的调用与最终结果。

需要同时记住:同进程插件本身属于运行时信任边界的一部分。 插件框架的可装卸能力,并不自动把不可信插件变成安全代码;动态插件与 Workflow 文档也都明确说明,相关 VM 机制不提供强安全隔离。

“插件卸载”“会话恢复”“沙箱执行”各有作用范围,不能互相替代。工具执行管线

十二、如何评价 DSH 的价值与代价?

从本地实现看,DSH 的价值可以归纳为三个方面。

第一,Agent 的关键组成变得可以分别研究和替换。

开发者可以沿着公开的接口与事件,研究模型调用、工具执行、压缩策略和继续执行机制,减少为了一个功能直接修改主循环的需要。

第二,长任务的状态与控制问题被认真建模。

会话日志、目标版本、执行授权、取消、插件卸载和子任务清理,都有明确的位置。这些机制未必直接提升模型推理能力,却决定了运行系统是否容易理解、恢复和维护。

第三,扩展覆盖了从执行能力到交互界面的多个层面。

同一套插件思路,可以用于增加一个工具、替换一个 Provider,也可以用于增加一块设置界面,为搭建不同形态的 Agent 产品提供基础。

代价同样存在。

抽象会增加学习与排障成本

开发者需要理解服务、作用域、事件、配置层和生命周期。一次“工具没有出现”,可能来自未满足的依赖,也可能来自注册范围或配置覆盖。

这种复杂度是否值得,需要结合产品的变化频率与扩展需求判断。

持续运行会放大验收与预算的重要性

增加轮数并不保证成功。模型可能围绕错误假设反复尝试,多 Agent 也会增加重复阅读与结果整合的成本。

真正有用的验收标准应尽量落到可观察结果上,例如测试是否通过、文件是否生成、接口响应是否符合约定。

在当前实现中,Goal 或 Ralph 记录的“完成”仍不能替代独立验证。

架构潜力需要实际任务验证

本文进行了源码与文档阅读,没有开展任务成功率、Token 消耗或延迟基准测试,因此不据此宣称 DSH 比其他产品更快、更便宜或更可靠。

截至本文核对时间,官方仍提示开发者预览阶段会有破坏兼容性的变更。对于团队应用,兼容性、插件质量、执行隔离和可复现部署,需要一起评估。官方项目状态

十三、从哪里开始理解和实践?

官方 README 给出的 Web 入口是:

npx @deepseek-ai/dsh web

默认 Web 地址为 http://127.0.0.1:3080。需要安装 Node.js,并按所用版本的设置流程配置模型服务与凭据。官方运行说明

第一次实践,可以选择一个边界清楚、可验证的小任务:为一个函数补齐指定边界条件,并运行对应测试。

观察四件事就足够有收获:

  1. 模型如何决定读取哪些文件。

  2. 工具调用与结果如何呈现在会话中。

  3. 测试失败后,Agent 如何继续调整。

  4. 最终结论是否有实际执行证据支持。

如果要阅读源码,可以依次看:

  • docs/architecture.md:建立整体地图;

  • docs/cordis-primer.md:理解插件、服务与生命周期;

  • packages/core/agent-loop:理解 Step、Turn 与工具调度;

  • packages/core/session:理解事件记录与模型历史;

  • packages/goal:理解同会话目标如何继续推进;

  • packages/compaction:理解有限上下文如何承载长任务;

  • packages/subagent 与 packages/workflow:理解委派与编排。

再结合“用量与余额”这样的小插件阅读服务调用和界面插槽,会比一开始遍历所有包更容易建立具体认识。

结语:让模型能力进入一个可持续运行的系统

DeepSeek Harness 把 Agent 的执行过程拆成了一组可以组合、观察和替换的组件。

沿着一个任务向下看:模型负责提出下一步,工具把行动落到环境中,日志保存事实,上下文管理维持工作连续性,Goal 和 Workflow 组织更长的执行过程,权限与生命周期机制约束它们何时运行、何时停止。

这些部分共同决定,Agent 能否把一次有用的回答,延伸成一段有依据的工作过程。

“能持续做事”的衡量标准,是持续取得可验证的进展,并在完成、受阻或失去授权时正确停下。

这正是理解 DeepSeek Harness 最值得抓住的主线,也是构建可靠 Agent 系统时绕不开的工程问题。

CadenzaOS:https://github.com/SuperTapir/CadenzaOS

PCB Atelier:https://github.com/SuperTapir/pcb-atelier

tapir-skills:https://github.com/SuperTapir/tapir-skills

PCB_lightgraph:https://github.com/tomatorigid/PCB_lightgraph

我用AI编程复刻了老罗的TNT,还顺手做了个万能遥控器……:https://www.bilibili.com/video/BV1qMKg6uEJr

送朋友一张PCB做的贺卡!:https://www.bilibili.com/video/BV11MjE6qEXb

🎉🕯🎂🕯🎉(我的第一块 PCB Art 作品图案取自这位老师的视频):https://www.bilibili.com/video/BV1ihNx61Ewq

从零开始的二次元电路板艺术画设计教程:https://www.bilibili.com/video/BV1CQjz6ZELZ

-END -

如果您关注前端+AI 相关领域可以扫码进群交流

添加小编微信进群😊

关于奇舞团

奇舞团是 360 集团最大的大前端团队,非常重视人才培养,有工程师、讲师、翻译官、业务接口人、团队 Leader 等多种发展方向供员工选择,并辅以提供相应的技术力、专业力、通用力、领导力等培训课程。奇舞团以开放和求贤的心态欢迎各种优秀人才关注和加入奇舞团。

跳转微信打开

  •  

沃尔玛中国朱晓静:AI时代,零售的本质仍是人服务人

飞书 2026-09-16 14:11 上海

“随着技术门槛持续降低,沃尔玛的差异化优势将更多取决于用技术解决什么问题、如何应用这些技术,以及能否为顾客和会员创造有意义的价值。”

9 月 15 日,在 2026 飞书未来无限大会暨豆包工作开工大会上,沃尔玛中国总裁及首席执行官朱晓静以“AI 时代的零售:以人为本,科技赋能”为主题发表演讲,分享沃尔玛对 AI 应用与企业竞争力的思考。

以下是她的演讲全文。

各位朋友:

大家好。我是沃尔玛中国的朱晓静。很高兴来到今天的飞书未来无限大会,和大家交流,也很期待向大家学习。

刚才坐在台下,看到飞书和豆包发布的新工具,我心里有两层感慨。

第一层,是中国科技日新月异的巨变。三十年前,国内零售几乎全是传统业态。正是沃尔玛等一批跨国企业,把现代商超、现代零售的理念带入中国。而今天,中国已经成长为全球科技创新的前沿阵地,更是当之无愧的数字零售试验场——我们称之为 world retail laboratory。

第二层感慨,关乎科技平权,也就是 equal access。如今所有零售企业,本质上也都必须成为科技公司,科技的权重只会越来越高。随着 AI 持续演进,技术门槛正在不断降低。哪怕像我这样非技术背景的从业者,也不必因此过度焦虑,同样可以运用技术解决业务问题。

科技的发展,一直推动着人类社会的进步。沃尔玛中国上个月刚刚过完 30 岁生日。过去这 30 年,也是中国零售市场快速迭代、蓬勃发展的时代。在这个过程中,我们拥有众多 ecosystem partner,生态系统伙伴,字节就是其中重要一位,和我们一起探索,推动技术创新,帮助我们更好的服务顾客与会员。谢谢你们。

首先,请允许我简单介绍一下沃尔玛。

沃尔玛 1962 年诞生于美国阿肯色州的本顿维尔,那是当年美国中西部非常偏远的一座小镇。从这样一个不起眼的小镇起步,山姆·沃尔顿创立了今天的沃尔玛。如今,我们在全球拥有 220 多万名员工,也是全球最大的私营雇主。

说起沃尔玛,大家往往会有两种固有印象。

第一种印象,认为沃尔玛是一家传统的线下零售企业。但事实上,在中国市场,今天沃尔玛门店与山姆会员商店的线上销售占比已经达到 55%。今天的沃尔玛中国,早已是一家不折不扣的全渠道零售企业。

第二种印象,大家会觉得沃尔玛风格偏传统、偏稳健。但很多人并不了解,拥抱科技,从一开始就是沃尔玛的底层基因。早在上世纪八十年代,我们就搭建了全美规模最大的企业私人卫星通信网络,实时打通总部、门店与供应链体系,用极致的数据化、技术化能力,支撑起沃尔玛全球领先的供应链效率。

在沃尔玛的发展历程里,我们始终坚持一套朴素的长期主义哲学:守住不变的,迭代所有可变的。

企业的使命、价值观,是我们永远不变的初心。但顾客的需求在变、时代的技术在变,因此我们服务顾客的方式、运营业务的模式、组织运转的体系,除初心底色之外,一切都可以、也必须持续进化。

带着这样的企业底色与长期思考,接下来,我想和大家分享,我们在 AI 时代,关于人的价值、以及企业如何构建核心竞争优势的一些近期思考。

我今天分享的主题是:AI 时代的零售:以人为本,科技赋能。

AI 如今正处在青春期,迭代速度飞快。 技术门槛正在持续降低。 当 AI 度过这个阶段,所有算法、算力、通用智能工具,终会成为全行业的基础设施。那么,在 AI 带来科技平权的时代,企业真正的长期竞争力是什么?

我们近期的思考是,沃尔玛布局 AI,重心不在于模型本身,而在于系统。我们要让模型深度对接差异化客户场景、自有专属数据、业务流程与实体运营体系。技术日新月异,我们需要打造可以持续应变的组织和架构。也就是说,沃尔玛真正的差异化优势来自于我们选择用技术解决什么问题、如何应用这些技术,以及是否能为顾客和会员创造有意义的价值。

我们从四个层面思考 AI 的应用:顾客如何购物、我们如何运营,商品如何流动、如何赋能员工发展。我们打开来看。

第一,顾客如何购物。AI 正在改变顾客发现商品、做出决策以及体验互动的方式。过去零售的逻辑是“搜索”,你知道你要什么,你来找到它。未来的逻辑是“发现”,你可能不完全知道你要什么,但系统能理解你的生活场景,在合适的时机、用合适的方式,把合适的商品呈现在你面前。购物的未来不是让顾客去学习一个新界面,而是让技术更善于理解顾客想要什么。从搜索与响应,迈向理解与行动。

AI 更在赋能我们为顾客创造开发商品这一核心工作。零售本身,是科学与艺术的结合。选品这件事尤其如此。AI 和大数据,可以帮我们分析顾客当下的行为,看懂大家对现有商品和服务的反馈。但大数据只能看见已经发生的事实。零售的使命,不只是满足顾客已经表达出来的需求,更要真正地理解生活,依靠前瞻性洞察,发掘他们尚未言说的期待,去 delight 顾客,给他们惊喜,超越他们的预期。这需要 AI 的数据处理能力,更需要人的共情能力,判断力 ,与创造力。

第二,我们如何运营。零售的核心本质始终是“通过人服务人”。我们希望借助 AI 优化决策、减少员工的重复性工作,让员工把更多时间投入服务顾客与会员。

蒸汽机刚诞生的时候,人们最先想到的用法,只是把它装到马车上,而不是重构整套交通体系。

当前我们落地 AI 面临的问题正是如此:仅仅停留在单个任务的优化,端到端的完整业务流程并未发生改变。个体提效并没有聚合成组织提效,根源就在于没有重新设计工作流。碎片化的 AI 应用并不是个错误,它是企业建立拥抱 AI 文化中必经的探索过程。但我们不能止步于此。AI 更大的价值,在于重塑企业全链路工作流,真正提升决策的速度与准确度,创造可量化的真实业务收益。我们要实现的转变,是从碎片式 AI——只在零散孤立的环节做单点优化— 走向用 AI 打通整条零售价值链。

业务结果必须作为衡量标尺。AI 的价值要体现在客户体验、商品品类拓展、货品可得性、履约速度、人效、服务成本、盈利水平以及员工赋能效果上。

第三,商品如何流动。沃尔玛可以将需求信号、库存、设施、运输、门店、履约和最后一公里配送连接成一个响应更敏捷的实体网络。而这个实体网络创造了一个独特的机会,让 AI 有机会和现实世界中商品的物理流动真正连接起来。更强的智能可以帮助系统理解当下正在发生什么,预判下一步需要采取什么行动,并在整个网络中做出日益复杂的决策。沃尔玛的优势并不在于规模本身,而在于将这种规模连接起来,让洞察和能力能够贯穿整个企业,自由流动。

第四,员工如何成长。在技术大变革的时代,相信每个人都会有一份焦虑:我们的工作是否会被 AI 替代?就算有全民基本收入保障生存,人之为人的生命意义,是否依旧完整?效率,是否就是全部?

沃尔玛选择:以人为本,科技赋能。

我们官方愿景陈述里写着:We are a people-led, tech-powered omnichannel retailer, dedicated to helping people save money and live better。

这是我们的战略路径,也是我们的人文底色。

首先,这是商业层面的理性抉择。我们相信,人的创造力、审美、人际共情,能够被科技放大赋能,但不能被机器替代。 在中国市场,山姆会员店与沃尔玛门店,持续打磨商品、精进线下服务,也正是这份坚守,逐渐收获了顾客和会员的信任。

这既是商业层面的理性选择,更是一个价值观的抉择。

每一位企业领导者,都肩负两层责任。一层是管理者的责任:管理任务流。过去,人是组织里唯一的智能主体,所有任务依靠人完成,管控任务流本质就是管人。今天,任务流管理正在发生范式转变,从单纯管人,升级为管人+管 AI。

但领导者还有另一层核心责任——培育人、发展人,帮助组织里的每一个人实现自身价值。这份职责,没有因为技术浪潮而削弱,反而愈发重要。企业固然是以创造利润为目标的商业组织,同时,它也应当成为员工构建人生意义的重要平台。

在技术变革的浪潮里,我们希望助力员工持续学习、迭代成长,不断开拓新机遇。与企业同舟共济,穿越时代洪流,一同奔赴新的彼岸。

作为企业,我们不只是适应时代、拥抱变革。我们当下的每一个行动、每一项决策,都在塑造未来。这就是价值观选择的意义:我们希望创造一个怎样的未来。

最后,我想回到零售的本质是什么?零售,是商品与服务的结合,是艺术与科学的结合,是感性与理性、效率与美好生活的结合。但归根到底,零售的本质,是人服务人。人,是一切的源泉,也是我们最终的目的。科技永远是工具,而人,才是零售故事里永恒的主角。

谢谢大家。

跳转微信打开

  •  
❌